基于CNN-LSTM神经网络算法的PM2.5度预测
Xuesong Bai1, Na Zhang1, Xiaoyi Cao2
1School of Information and Control Engineering, Qingdao University of Technology, Qingdao, Qingdao City, Shandong Province, China.
PeerJ
|August 12, 2024
概括
这项研究使用深度学习模型预测细颗粒物 (PM2.5) 度,达到高精度. 这些发现强调了气象因素对空气质量和公共健康的影响.
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:
- 细颗粒物 (PM2.5) 对人类健康和生存构成重大风险.
- 准确的PM2.5度预测对于追踪来源和实施公共卫生措施至关重要.
研究的目的:
- 使用集成的深度学习卷积神经网络-长期短期记忆 (CNN-LSTM) 模型预测和分析PM2.5度.
- 为了解决PM2.5时间序列数据的复杂性和非线性特征.
主要方法:
- 收集了2020年青岛的PM2.5和气象数据 (温度,风速,气压).
- 使用CNN-LSTM深度学习模型提取空间特征 (CNN) 和时间依赖 (LSTM).
- 对CNN和LSTM模型进行性能评估的比较实验.
主要成果:
- 该CNN-LSTM模型实现了出色的PM2.5预测性能,其R2为0.91和RMSE为8.216μg/m3.
- 与独立的CNN (R2=0.85,RMSE=11.356) 和LSTM (R2=0.83,RMSE=14.367) 模型相比,证明了更高的准确性和通用性.
- 确定了气象因素 (温度,压力,风速) 对地面PM2.5度的重大影响.
结论:
- 集成的CNN-LSTM深度学习方法提供了卓越的PM2.5预测准确性.
- 揭示了PM2.5度与主要气象因素之间的显著关联.
- 这些发现支持改善大气环境质量管理和公共卫生保护战略.
