区域PM2.5污染预测使用基于多尺度特征融合和深度学习算法的混合模型
Yong Zhang1, Wenya Zhang2, Bo Wu1,2
1College of Mathematics and Statistics, Jishou University, Jishou, China.
PloS one
|October 9, 2025
概括
一个新的深度学习模型准确地预测了成都-重庆城市聚集区的区域PM2.5污染. 这种先进的预测显著改善了雾污染的早期预警系统.
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:
- 区域雾污染,特别是PM2.5,是一个日益严重的环境问题.
- 现有的区域雾污染早期预警模型是不够的.
- 准确预测PM2.5对于污染管理和公共卫生至关重要.
研究的目的:
- 开发和验证一种新的深度学习模型,用于准确的区域PM2.5污染预测.
- 同时预测成都-重庆城市聚集区内所有城市的PM2.5度.
- 评估模型的性能与基线模型和现实世界污染数据相比.
主要方法:
- 利用了2021年1月1日至2023年12月31日的每小时PM2.5度和气象数据.
- 开发了一个多输入多输出深度学习框架,命名为多尺度特征融合区域污染预测网络 (MSFRPM).
- 该MSFRPM模型整合了时间依赖,城市间污染物运输和气象因素.
主要成果:
- 与基线模型相比,MSFRPM模型显示出明显优异的预测性能.
- 该模型有效地捕捉了PM2.5污染中的复杂的时空依赖性.
- 在2023年,中度污染占主导地位,污染集中在冬季;模型预测与观测一致.
结论:
- 该MSFRPM模型为准确的区域PM2.5污染预测提供了强大的解决方案.
- 有效的预测能力对于协调的区域污染管理和预警系统至关重要.
- 该研究强调了深度学习在应对区域雾等复杂环境挑战方面的潜力.
