测试一个时空深度学习模型在沿海城市地区的短期PM2.5预测能力
Qi Liao1, Mingming Zhu2, Lin Wu3
1College of Electronic Engineering, Chengdu University of Information Technology, Chengdu 610225, China.
The Science of the total environment
|August 5, 2024
概括
一个新的时空深度学习 (STDL) 模型显著改善了城市地区的细颗粒物 (PM2.5) 预测. 这种先进的模型通过更好地捕捉复杂的大气过程,以更准确地预测空气质量,优于传统方法.
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:
- 精确预测细颗粒物 (PM2.5) 对于城市空气污染管理至关重要,但由于复杂的大气过程而具有挑战性.
- 深度学习 (DL) 模型对PM2.5预测有前途,但与化学运输模型 (CTM) 等传统方法相比,它们代表城市大气动态的能力需要进一步探索.
研究的目的:
- 评估空间时空深度学习 (STDL) 模型的城市规模表示能力,用于短期PM2.5预测.
- 将STDL模型的性能与操作CTM和浅层统计模型进行比较.
主要方法:
- 一个时空深度学习 (STDL) 模型被开发并应用于六个城市站的24小时PM2.5预测.
- STDL模型的性能与两种CTM和三种统计模型进行了评估,使用了五个指标,包括根平均平方误差 (RMSE).
主要成果:
- STDL模型在所有五个评估指标中都表现出卓越的表现,特别是在12小时内减少RMSE的交付时间 (49.8%和47.8%的减少).
- STDL模型有效地捕捉了非线性,小规模的现象,如街道水平排放和城市气象,这些现象通常在CTM和浅层模型中表现不佳.
- 在较长的交付时间下,性能收益下降,RMSEs在12小时后与统计方法相比,CTM在24小时后与统计方法相比.
- 在冬季和高湿度条件下,STDL模型表现出增强的性能,与观察到的趋势保持一致.
结论:
- STDL模型通过更好地表示复杂的小规模大气过程,显示了改善城市PM2.5预测的巨大潜力.
- 进一步的研究可以探索将STDL模型与CTM集成,以克服目前的预测局限性并实现更准确的空气质量预测.


