邹思琳 任晓晨,2 王成功 韦骏

时间精度与空间信息对神经网络模型预报 PM2.5浓度的影响

邹思琳1任晓晨1,2王成功1韦骏3,†

1.北京大学物理学院大气与海洋科学系, 北京 100871; 2.96813部队, 黄山 245000; 3.中山大学大气科学学院, 广州 519082; †通信作者, E-mail: junwei@pku.edu.cn

以北京市为例, 利用 2015—2018 年空气质量监测站台资料, 通过 BP 神经网络、LSTM 网络及 CNN-LSTM 混合模型等多种模型, 分析时间精度和空间信息对 PM2.5浓度预报的影响。结果表明, 神经网络模型的效果普遍比多元线性回归模型好; 增加输入数据的时间精度能显著地提高 PM2.5浓度日均值预报的准确率; 当输入数据的时间精度从一天提高到 6 小时后, LSTM 模型的平均绝对误差从 27.39μg/m3降至 20.59μg/m3, 这种效果的提升在显著变好和显著变差的天气情况下更明显; 华北地区 PM2.5浓度分布有明显的时空特征, 第一空间模态为同增同减, 第二空间模态为南北反向; 北京市 PM2.5浓度与内蒙古、河北及天津等地区前一天的 PM2.5相关。利用 CNN-LSTM 混合模型学习华北地区 PM2.5的时空信息, 能进一步提高北京市 PM2.5浓度的预报水平, 使得误差降低至 17.36 μg/m3。

神经网络; PM2.5预报; 时间精度; 空间特征

空气污染物组成复杂, 来源多样, 其中细颗粒物(PM2.5)的危害尤为严重。这些细颗粒物体积小, 重量轻, 能在空气中停留更长的时间, 通过呼吸道进入人体, 引发各种疾病[1‒2]。PopeⅢ等[3]的研究表明, 长期环境中 PM2.5平均浓度每升高 10μg/m3, 会造成 4%~8%的心肺疾病死亡风险。空气中过量的 PM2.5还会引发灰霾天气, 降低大气能见度, 影响人类的生产和生活。还有研究表明, PM2.5和灰霾天气对天气过程甚至全球气候有重要影响[4‒6]。……