基于深度学习的中国连续空间覆盖PM_(2.5)浓度预报

摘要

实现全国连续空间覆盖未来小时尺度的PM_(2.5)浓度实时、高精度预报是一个难题。本文建立基于深度学习的多层长短期记忆迭代模型和改进的空间反向传播神经网络S-BPNN模型来实现全国小时尺度PM_(2.5)浓度的空间预报。首先,研究基于空间相关性将全国1286个空气质量监测站点在空间上进行自适应分区,并对各个分区分别构建多层LSTM迭代预报模型实现未来24 h各个监测站点的PM_(2.5)浓度的实时预报。其次,应用改进的S-BPNN空间化模型实现未来24 h全国连续空间覆盖的PM_(2.5)浓度精细化制图。然后,利用2016—2019年中国PM_(2.5)监测站的历史数据进行训练和验证,结果显示预报模型和空间化模型的相关系数R^(2)分别为0.88和0.87,表明模型都能实现较高的精度。最后,基于提出的预报模型和空间化模型,辅助从监测站实时获取的大气污染数据和气象数据,通过搭建的大气污染物浓度预报智能化在线信息原型系统可实时发布预报结果并可进行空间化展示。研究实现了全国连续空间覆盖的PM_(2.5)浓度高时空精度的实时预测,以支持大气污染联防联控和公众环境空间质量信息服务。