基于最优城市匹配神经网络模型的PM_(2.5)插值方法

作     者：周佩 杨凡 韦骏 ZHOU Pei;YANG Fan;WEI Jun

作者机构：中山大学大气科学学院珠海519082 国家海洋局珠海海洋环境监测中心站珠海519015 南方海洋科学与工程广东省实验室(珠海)珠海519082 

出 版 物：《北京大学学报（自然科学版）》 (Acta Scientiarum Naturalium Universitatis Pekinensis)

年 卷 期：2023年第59卷第5期

页      面：793-800页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 070602[理学-大气物理学与大气环境] 0706[理学-大气科学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：广东省重点领域研发计划(2020B1111020003) 国家自然科学基金(41976007)资助 

主　　题：PM_(2.5) 自组织映射(SOM) 门控循环单元(GRU) 插值模型 

摘      要：为解决部分城市PM_(2.5)浓度数据缺值严重,无法通过训练自身数据得到预报模型的问题,提出用相似城市的预报模型实现目标城市历史数据的填补。依据23个城市的气象数据、城市发展数据和PM_(2.5)浓度数据,建立基于自组织映射(SOM)和门控循环单元(GRU)神经网络的PM_(2.5)日均浓度数据插值模型,并分别利用该插值模型和传统插值方法(线性插值和样条插值)对不同类型的缺值数据进行填补,对比两者的填补效果。实验结果表明,基于SOM神经网络的城市匹配模型可以准确地匹配出目标城市的相似城市;当缺值数据少于5天时,利用传统插值方法的填补效果优于GRU插值模型;当缺值数据多于5天时,GRU插值模型更胜任长时间缺测数据的填补工作。