基于图卷积记忆网络对珠海臭氧时空预测

作     者：孙磊 蓝玉峰 梁秀姬 孙弦 聂会文 苏烨康 贺芸萍 王静 夏冬 SUN Lei;LAN Yufeng;LIANG Xiuji;SUN Xian;NIE Huiwen;SU Yekang;HE Yunping;Wang Jing;XIA Dong

作者机构：珠海市公共气象服务中心广东珠海519000 珠澳气象创新与应用研究中心广东珠海519000 

出 版 物：《中山大学学报（自然科学版）（中英文）》 (Acta Scientiarum Naturalium Universitatis Sunyatseni)

年 卷 期：2024年第63卷第3期

页      面：48-59页

核心收录：

学科分类：07[理学] 070601[理学-气象学] 0706[理学-大气科学] 

基　　金：广东省气象局科技项目(GRMC2022Q16) 

主　　题：臭氧 时空预报 机器学习 图卷积记忆网络 

摘      要：臭氧(O_(3))已成为影响珠三角(乃至广东)空气质量达标的首要因素。数据驱动的统计模型(较数值模式)虽展现出改进的预报能力,但多数未能解析站点数据(非欧结构)之间的空间依赖性。本文基于珠海市6个环保国控站及其周边气象站监测数据,通过构建时空协同的图卷积记忆网络(GCN-LSTM)开展多站点未来3天逐小时O_(3)质量浓度预报。结果表明:GCN_LSTM在不同预报时效均准确还原了O_(3)的年、季节和昼夜变化特征,但对日变化的预报技巧随预报时效增加下降明显。通过与业务数值模式(GRACEs)和长短期记忆网络(LSTM)对比发现:GCN-LSTM表现最优,其72 h预报时效内RMSE和R均值分别为27.13μg/m^(3)和0.64,LSTM表现次之(RMSE=28.44μg/m^(3);R=0.61),而GRACEs与统计模型存在明显差距(RMSE=40.93μg/m^(3);R=0.33)。此外,相较于LSTM,GCN-LSTM全局考虑所有站点及其之间的相互联系,不仅将计算速度提高了71%,而且在不同站点的表现也更为优秀和稳定,同时捕捉秋季O_(3)污染事件的能力也有所提高。最后,敏感性实验揭示出考虑相关性较高的变量作为预报因子可以提高模型能力。