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

来源：环境化学, 2023, 42(08): 2609-2618.

• 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

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.

• 单位
  华北电力大学; 环境科学与工程学院