改善了每小时PM2.5度的预测,具有长期短期记忆和时空因果卷积网络深度学习模型
Yinsheng Chen1, Lin Huang1, Xiaodong Xie1
1Jiangsu Key Laboratory of Atmospheric Environment Monitoring and Pollution Control, Collaborative Innovation Center of Atmospheric Environment and Equipment Technology, Nanjing University of Information Science & Technology, Nanjing 210044, China.
The Science of the total environment
|November 28, 2023
概括
这项研究引入了一种因果深度学习模型,用于准确预测细颗粒物 (PM2.5) 的短期预测. 该模型通过分析时间和空间的相关性来改善空气质量预测,帮助环境管理和公共卫生.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气化学 大气化学
背景情况:
- 精确预测细颗粒物 (PM2.5) 对环境管理和公共卫生至关重要.
- 机器学习和深度学习技术越来越多地用于空气质量预测.
研究的目的:
- 为短期PM2.5预测提出一种新的深度学习模型.
- 为了提高准确性,将因果卷曲和空间相关性分析纳入.
- 分析影响PM2.5水平的因素,并提高预测模型的性能.
主要方法:
- 开发了一个具有因果卷积的深度学习模型,考虑监测站之间的时间和空间相关性.
- 应用主要成分分析 (PCA) 以确定影响不同季节PM2.5度的关键因素.
- 在中国南京进行了一项案例研究,使用历史空气质量和气象数据.
主要成果:
- 拟议的深度学习模型实现了0.92的相关系数 (R2) 和6.75μg/m3的根平均平方误差 (RMSE),用于下一个小时的PM2.5预测.
- 整合PCA以优化模型输入导致了显著的改进,将RMSE降低了高达17.2%,平均绝对误差 (MAE) 降低了38.6%.
- 该模型表明,预测和观察到的PM2.5度之间存在很强的一致性.
结论:
- 开发的因果深度学习模型为有效的空气质量管理提供了有价值的工具.
- 时空分析和PCA驱动的特征选择的整合提高了PM2.5预测的准确性.
- 这种方法通过改善空气质量预测,有助于更好地保护公共卫生.
