模拟空气污染过程,使用一种新的多地点和多尺度方法,适应地利用时空信息

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 大气科学 大气科学

背景情况:

• 准确的空气质量建模对于公共卫生和环境管理至关重要.
• 现有的模型往往难以有效地整合来自不同尺度的多个来源的时空数据.
• 需要先进的方法来捕捉空气质量监测站点之间的复杂相互作用.

研究的目的:

• 开发一种新的多规模和多地点空气质量建模方法.
• 提高空气质量预测的准确性和可靠性,特别是PM2.5.5.
• 创建适用于各种污染物和地区的可通用模型.

主要方法:

• 提出了一种新的多变量实证模式分解和基于空间坐标注意力的长短期记忆 (MEMD-SCA-LSTM) 模型.
• 利用MEMD将空气质量系列分解为尺度对齐的组件.
• 在高频组件中使用基于空间坐标注意力的LSTM (SCA-LSTM),在其他组件中使用标准的LSTM,集成多站点信息.

主要成果:

• 与基线方法相比,MEMD-SCA-LSTM模型在香港的一天前的PM2.5预测中显示出显著的改进,MAE和RMSE比基线方法减少了10%以上.
• 该模型在两天和三天前的预测中保持了卓越的性能.
• 对注意力权重的可视化揭示了信息模式,有助于分析地点之间的污染物传输.

结论:

• 拟议的MEMD-SCA-LSTM有效地将多个地点的空气质量信息融合在一个多个规模的框架内.
• 空间注意力机制增强了模型捕捉地点间污染物运输动态的能力.
• 该方法强大,适用于不同污染物和不同地理位置的各种空气质量建模场景.