10.13232/j.cnki.jnju.2022.06.012
基于后向气团轨迹的大气污染特征时序混合模型研究
由于大气污染监测数据量大且具备长时序特征,深度学习领域已将其作为一种标准数据集使用.针对现有大气污染预测方法未能结合大气传输的物理机理和有效考虑污染物传输的时空特征等问题,提出一种基于多模型混合的特征与时序污染物预测模型,利用HYSPLIT(Hybrid Single-Particle Lagrangian Integrated Trajectory)计算后向气团运动轨迹,引入VGG(Visual Geometry Group)模型提取气团轨迹线的变化特征;将其与污染物和气象时序数据结合,输入LSTM(Long Short-Term Memory)模型,预测研究区域内的目标污染物浓度,以评估研究区域的空气质量状况.以桂林市61个空气质量监测站点的污染物和相关气象在线监测数据为基础,对模型性能进行了评估,将实验结果与几种先进的方法进行了比较.结果表明,提出的H-VGG-LSTM(HYSPLIT-VGG-LSTM)模型有效提高了大气污染物的预测准确度,其预测结果的 RMSE(Root Mean Squared Error),MAE(Mean Absolute Error)和 SMAPE(Symmetric Mean Absolute Percentage Error)分别为0.202,1.198和1.97%,预测性能和其他先进模型相比有明显的提升.证明该模型对复杂气象条件下的污染物预测更准确,并具有较好的泛化性能.
大气污染预测、PM2 5、后向轨迹模拟、卷积神经网络、LSTM
58
TP301(计算技术、计算机技术)
广西自然科学基金项目;广西重点研发计划;国家自然科学基金;桂林市重大成果转化基金桂林电科技大学大学生创新创业训练计划
2023-05-09(万方平台首次上网日期,不代表论文的发表时间)
共9页
1041-1049