评估长期短期记忆和人工神经网络在预测城市每日臭氧度方面的有效性
Qingchun Guo1,2,3,4, Zhenfang He5,6, Zhaosheng Wang7
1School of Geography and Environment, Liaocheng University, Liaocheng, 252000, China. guoqingchun@lcu.edu.cn.
Scientific reports
|February 25, 2025
概括
与人工神经网络 (ANN) 相比,长短期记忆 (LSTM) 模型显著改善了臭氧度预测. 这一进步为管理空气质量和减轻臭氧污染影响提供了更好的工具.
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:
- 臭氧污染对粮食生产,人类健康和整体福祉构成重大威胁.
- 城市因快速工业化和城市化而面临不断升级的臭氧度,造成了重大环境挑战.
研究的目的:
- 开发和比较中市臭氧度的预测模型.
- 评估用于臭氧预测的长短期记忆 (LSTM) 和人工神经网络 (ANN) 模型的准确性.
主要方法:
- 利用了来自城市 (2014-2023) 的历史臭氧度数据.
- 开发并实施了长期短期记忆 (LSTM) 和人工神经网络 (ANN) 模型.
- 使用诸如确定系数 (R2),根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 等指标评估模型性能.
主要成果:
- 在预测臭氧度方面,LSTM模型在ANN模型上表现出更高的准确性.
- LSTM实现了较高的R2 (0.6939对比0.6779),较低的RMSE (27.2140μg/m3对比27.9895μg/m3),以及较低的MAE (20.8825μg/m3对比21.6919μg/m3).
结论:
- LSTM是一种非常有前途的技术,可以准确预测臭氧度.
- 开发的LSTM模型可以在全球范围内应用于预测未来的臭氧水平,有助于污染控制和减缓战略.
