基于长短期记忆神经网络的空气污染物度预测
Zechuan Wu1, Yuping Tian1, Mingze Li1
1Key Laboratory of Sustainable Forest Ecosystem Management-Ministry of Education, School of Forestry, Northeast Forestry University, Harbin 150040, China.
Journal of hazardous materials
|January 18, 2024
概括
一个新的长短期记忆 (LSTM) 模型有效预测空气污染物度,并纳入森林火灾的影响. 这种先进的模型为空气质量和公共卫生保护提供了改进的长期预测.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 数据科学数据科学数据科学
背景情况:
- 空气污染对环境和公共健康构成重大风险.
- 森林火灾频率的增加加剧了空气污染,特别是颗粒物 (PM2.5).
- 现有的预测模型往往忽视了森林火灾对空气质量的重大影响.
研究的目的:
- 开发一个有效的空气污染物度的长期预测模型.
- 通过纳入森林火灾干扰来解决当前模型的局限性.
- 提供对有害气体的早期警告,保护公共健康.
主要方法:
- 收集了中国黑龙江省 (2017-2023) 的每日空气质量数据 (PM2.5).
- 开发了一种新的长短期记忆 (LSTM) 模型,集成历史数据,森林火灾数据和气候数据.
- 与人工神经网络 (ANN) 和支持矢量机器 (SVR) 模型进行LSTM性能比较.
主要成果:
- 与ANN和SVR相比,开发的LSTM模型显示出更高的精度准确性.
- LSTM有效地预测了空气污染物长期度系列.
- 该模型在7天的长期预测中实现了稳定的性能,R2超过88%.
结论:
- 拟议的LSTM模型为长期空气污染物预测提供了可靠的解决方案.
- 整合森林火灾和气候数据显著提高了预测准确度.
- 该模型可以作为空气质量管理和公共卫生咨询的宝贵工具.
