深度学习框架用于每小时空气污染物预测,使用编码在北京多个监测站点的周期性特征
Abdel Salam Alsabagh1, Omer A Alawi2,3, Haslinda Mohamed Kamar2
1Department of Mechanical Engineering, Faculty of Engineering Technology, Al-Balqa Applied University, Amman, Jordan.
Scientific reports
|July 2, 2025
概括
这项研究开发了先进的深度神经网络 (DNN) 和卷积神经网络 (CNN) 以准确预测中国的空气污染. 这些模型在预测主要污染物方面取得了很高的准确性,有助于环境管理.
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:
- 公众和政府对空气质量的关注需要强大的预警系统.
- 有效的空气污染预防策略取决于准确的预测.
- 中国面临着严重的空气质量挑战,需要先进的监测和预测工具.
研究的目的:
- 提出中国空气质量预测和评估的综合系统.
- 开发和评估深度神经网络 (DNN) 和卷积神经网络 (CNN) 用于多变量时间序列空气污染预测.
- 分析编码和未编码特征在预测六种主要空气污染物的度方面的性能.
主要方法:
- 从中国10个国家监测站点 (2013-2017) 收集每小时的空气污染物数据 (CO,NO2,O3,SO2,PM2.5,PM10).
- 开发和应用深度神经网络 (DNN) 和卷积神经网络 (CNN),使用编码和未编码的功能.
- 基于不同监测站对各种污染物的预测准确度评估模型性能.
主要成果:
- 实现了高的预测准确度,值得注意的结果包括96.2%的DNN编码在Nongzhanguan站和94%的CNN-Unencoded在Dongsi站.
- DNN编码和CNN编码模型在多种污染物和站点中表现出强的性能.
- 具体污染物预测的准确性各不相同,最高的结果是CO,NO2,O3,PM2.5,PM10和SO2.
结论:
- 开发的DNN和CNN模型对于中国的空气污染预测是高效和可靠的.
- 拟议的系统为环境管理人员在监测和管理空气质量方面提供了宝贵的工具.
- 准确预测空气污染物度对于公共卫生和环境保护战略至关重要.
