一个混合模型,以提高PM2.5时空度的预测,具有高分辨率和精度
Xiaoxiao Feng1, Xiaole Zhang2, Stephan Henne3
1Institute of Environmental Engineering (IfU), ETH Zürich, Zurich, 8093, Switzerland; Laboratory for Advanced Analytical Technologies, Swiss Federal Laboratories for Materials Science and Technology, Dubendorf, 8600, Switzerland.
Environmental pollution (Barking, Essex : 1987)
|May 30, 2024
概括
精确预测细颗粒物 (PM2.5) 对公共卫生至关重要. 这项研究将大气建模与机器学习相结合,以改善短期PM2.5预测,帮助空气质量管理.
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:
- 颗粒物 (PM2.5) 对公众健康和环境构成重大风险.
- 受到排放和天气影响的PM2.5的时空变异性使准确的预测变得复杂.
- 现有的预测方法经常与PM2.5动态的复杂性作斗争.
研究的目的:
- 开发用于短期PM2.5度预测的新方法.
- 提高PM2.5预测的精度和时空分辨率.
- 将大气建模与先进的机器学习技术相结合,以改善空气质量预测.
主要方法:
- 结合了社区多层次空气质量建模系统 (CMAQ) 与长短期记忆 (LSTM) 和随机森林 (RF) 机器学习模型.
- 采用混合方法进行1小时,1公里×1公里的时空分辨率PM2.5预测.
- 纳入LSTM中的波幅转换用于多尺度时间变化预测和RF用于整合多种数据源.
主要成果:
- 在1小时预测中,LSTM系统达到3.66μg/m3的最大RMSE,在72小时预测中达到23.75μg/m3,显著优于独立的CMAQ模型 (45.81μg/m3的RMSE).
- 射频模型有效地整合了CMAQ结果,气象和地形数据,CMAQ结果显示了最高的特征意义.
- 混合模型通过捕捉PM2.5度的复杂时空变化来证明了增强的预测能力.
结论:
- 混合CMAQ-LSTM-RF模型在短期PM2.5预测准确度和分辨率方面取得了重大进展.
- 这种改进的预测能力可以支持对空气污染管理和减轻的知情决策.
- 该研究强调了将基于物理的模型与数据驱动的方法整合到复杂的环境挑战中的潜力.
