深度学习方法在上海市PM2.5浓度预报中的应用

摘要：

为提升PM2.5浓度预报能力,尤其是对PM2.5重污染的预报能力,以中尺度气象-化学耦合模式系统(WRF-Chem)为基础,结合中尺度WRF气象预报数据、地面及高空气象观测数据、PM2.5浓度观测数据,基于人工智能深度学习序列到序列的算法建立了上海市PM2.5统计预报模型.结果表明,人工智能深度学习算法(Seq2seq)明显修正了WRF-Chem模式由于模型非客观性造成的偏差,提高了上海市PM2.5浓度的预报能力;该算法优化和修正了WRF-Chem模式结果,并通过检验发现可以使PM2.5浓度预报值与实况值间的相关系数由0.51上升至0.79,均方根误差由25.9μg/m3下降至15.01 μg/m3.而单独使用套索法(Lasso)线性回归算法对WRF-Chem模式优化效果不理想.基于Seq2seq的PM2.5浓度预报修正模型能够有效提升预报精度.

关键词：Sequence to sequence模型、PM2.5浓度预报、WRF-Chem、上海市

所属期刊栏目：40

分类号：X513(大气污染及其防治)

资助基金：国家重点研发计划项目;国家自然科学基金资助项目;上海市科委自然科学基金资助项目;上海气象局面上科研项目;上海气象局启明星科研项目

在线出版日期：2020-06-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：530-538