[PM_2.5 基于EOF分解和CNN-LSTM神经网络的预测]

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:

• 颗粒物 (PM2.5) 污染是城市地区的重大环境问题.
• 了解PM2.5的时空变化和影响因素对于有效的空气质量管理至关重要.
• 太原是一个主要的工业城市,面临着与空气污染有关的挑战.

研究的目的:

• 分析2016年至2020年太原地区PM2.5度的时间和空间变化特征.
• 调查气象因素对PM2.5水平的影响.
• 开发和评估PM2.5度的预测模型.

主要方法:

• 实证直角函数 (EOF) 分解被用来分析空间和时间模式.
• 采用随机森林模型来评估气象因素的重要性.
• 为PM2.5预测建立了一个卷积神经网络-长期短期记忆 (CNN-LSTM) 神经网络.

主要成果:

• 太原的PM2.5度在2016-2020年间呈现下降的年度趋势,在冬季 (11月至2月) 达到最高水平,每日度在下午6点至凌晨2点之间达到峰值.
• 空间分布表明PM2.5从西北到东南增加,确定了高度和低度的特定中心.
• 相对湿度和露点温度等气象因素与PM2.5正相关,而风速,降水和混合层高度与PM2.5负相关.

结论:

• 该研究成功地确定了太原PM2.5的关键时空模式和气象驱动因素.
• CNN-LSTM模型在所有季节都表现出强的预测性能,R平方值超过0.8,表明其在空气质量预测方面的潜力.
• 精确预测PM2.5度,可实现可控绝对误差,有助于污染控制策略.