基于深度学习模型的广州市大气PM_(2.5)和PM_(10)浓度预测

摘要

精准预测大气污染颗粒物PM_(2.5)、PM_(10)浓度能为大气污染防治提供科学依据,但目前较多PM;和PM;浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM;和PM;浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_(2.5)、PM_(10)日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_(2.5)、PM_(10)日均浓度。根据MSE、RMSE、MAPE、MAE和R;等评价指标,对4个模型的PM_(2.5)、PM_(10)预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_(2.5)、PM_(10)浓度。