太原市PM2.5浓度的气象特征影响分析及预报

作者：李明明; 王雁^*; 闫世明; 陈玲; 韩照宇

来源：环境科学, 2023, 44(02): 611-625.

DOI：10.13227/j.hjkx.202203040

• 长短时记忆神经网络(LSTM)
• 气象特征
• 机器学习
• PM2.5浓度
• 预报
• k均值聚类
• 太原

利用2016～2020年太原市污染物浓度资料、以及国家基准气象观测站的同期地面气象资料，重点分析了太原市PM2.5浓度的变化特征以及湿度、降水、风和混合层厚度等气象条件对PM2.5浓度的影响，同时探讨了污染物浓度变化的成因，建立基于LSTM神经网络的PM2.5浓度预报模型.结果表明，2016～2020年太原市区冬季出现的重污染天数最多，其中2017年冬季出现天数最多为28 d, PM2.5浓度总体呈现出秋冬季节高，春夏季节低，周末PM2.5浓度高于工作日浓度，PM2.5浓度日变化大致呈现双峰型分布，分别出现在09:00左右和23:00至翌日01:00.除相对湿度和冬季气温外，其余气象要素与PM2.5浓度在四季均表现为负相关.影响太原市区PM2.5浓度升高的污染源主要位于其NE-ENE-E方向，西北部地区的相对不明显.汛期当达到中雨(降水量≥10 mm)以上级别的降水都对PM2.5浓度降低有明显效果.大气混合层高度增加对于PM2.5在垂直方向的扩散和稀释非常有利.冬季强偏西北向气流，相对湿度低，地面处于高压控制，混合层高度高，属于最利于PM2.5浓度降低的类簇.采用LSTM模型建模，PM2.5浓度预测的R2高达0.95,显著优于传统树模型和线性回归模型(R2<0.60),预测结果残差接近正态分布，其中84.2%预测结果的绝对误差低于20μg·m-3,模型的MAE、 MAPE和RMSE分别为38.17、 17.19%和20.6.

• 单位
  山西省气象科学研究所