基于深度学习的城市臭氧小时浓度预测模型

作     者：王凯 胡冬梅 闫雨龙 彭林 尹浩 张可可 WANG Kai;HU Dongmei;YAN Yulong;PENG Lin;YIN Hao;ZHANG Keke

作者机构：华北电力大学环境科学与工程学院资源环境系统优化教育部重点实验室北京102206 

出 版 物：《环境化学》 (Environmental Chemistry)

年 卷 期：2023年第42卷第8期

页      面：2609-2618页

核心收录：

学科分类：07[理学] 08[工学] 081104[工学-模式识别与智能系统] 070602[理学-大气物理学与大气环境] 0706[理学-大气科学] 0811[工学-控制科学与工程] 

基　　金：国家重点研发计划项目(2019YFC0214202,2019YFC0214203) 国家自然科学基金(21976053)资助。 

主　　题：O3 小时浓度预测 深度学习 图卷积神经网络 长短期记忆神经网络. 

摘      要：近地面高浓度臭氧(O3)对城市环境空气质量、植物生长和人体健康等均有较大影响.因此,精准预报臭氧浓度对城市环境管理部门臭氧污染防治、居民出行决策建议、降低健康影响等具有重要意义.深度学习模型对于非线性关系具有较强捕捉和学习能力,因此本研究提出一种基于深度学习算法的混合模型,利用图卷积神经网络(GCN)及长短期记忆神经网络(LSTM)分别捕捉臭氧浓度空间和时间变化特征,耦合气象因子,构建基于时空关联的臭氧小时浓度预测模型GCN-LSTM,并以北京市为例开展应用研究.结果显示,GCN-LSTM模型可较好预测北京市未来72 h臭氧浓度,预测值与观测值决定系数为0.86;预测未来24、48、72 h臭氧浓度平均相对偏差分别为18.2%、19.2%和22.9%,RMSE值分别为17.3、23.7、25.4μg·m^(−3),对于48-72 h的长时预测准确度优于已有机器学习模型;当臭氧观测浓度介于0-80μg·m^(−3)、80-160μg·m^(−3)和160-200μg·m^(−3)时(共占总数据量的96.3%),预测平均相对偏差分别为20.1%、6.9%和16.4%;预测不同类型站点浓度时发现,城市清洁对照点、城市环境评价点、区域背景传输点和交通污染监控点的平均相对偏差分别为7.9%、13.2%、24.4%和29.3%,RMSE值分别为10.8、14.9、20.1、31.4μg·m−3,模型对城市清洁对照点和城市环境评价点的预测准确度较高.使用本模型对城市大气臭氧小时浓度预测,将较好助力城市大气臭氧污染防治工作.