时间精度与空间信息对神经网络模型预报PM_2.5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 1008712. 96813 部队, 黄山 245000
3. 中山大学大气科学学院, 广州 519082

收稿日期:2010-05-08修回日期:2019-08-10出版日期:2020-05-20

基金资助:国家自然科学基金(41476008)和广西壮族自治区特聘专家专项经费(2018B08)资助

Impacts of Temporal Resolution and Spatial Information on Neural-Network-Based PM_2.5 Prediction Model

ZOU Silin¹, REN Xiaochen^1,2, WANG Chenggong¹, WEI Jun^3,?

1. Department of Atmospheric and Oceanic Sciences, School of Physics, Peking University, Beijing 100871
2. 96813 PLA Troops, Huangshan 2450003. School of Atmospheric Sciences, Sun Yat-Sen University, Guangzhou 519082

Received:2010-05-08Revised:2019-08-10Published:2020-05-20

PDF

(2223KB)

可视化

0

复制本文网址

1. 探讨2016版国际胰瘘研究小组定义和分级系统对胰腺术后患者胰瘘分级的影响.PDF(500KB)

-->

摘要/Abstract

摘要： 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CNNLSTM混合模型等多种模型, 分析时间精度和空间信息对PM_2.5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 PM_2.5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27.39 μg/m³降至20.59 μg/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PM_2.5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PM_2.5浓度与内蒙古、河北及天津等地区前一天的PM_2.5相关。利用CNN-LSTM混合模型学习华北地区PM_2.5的时空信息, 能进一步提高北京市PM_2.5浓度的预报水平, 使得误差降低至17.36 μg/m³。

引用本文

邹思琳, 任晓晨, 王成功, 韦骏. 时间精度与空间信息对神经网络模型预报PM_2.5浓度的影响[J]. 北京大学学报自然科学版, 2020, 56(3): 417-426.
ZOU Silin, REN Xiaochen, WANG Chenggong, WEI Jun. Impacts of Temporal Resolution and Spatial Information on Neural-Network-Based PM_2.5 Prediction Model[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2020, 56(3): 417-426.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3473