基于最优城市匹配神经网络模型的PM_2.5插值方法

周佩¹, 杨凡^2,?, 韦骏^1,3,?

1. 中山大学大气科学学院, 珠海 5190822. 国家海洋局珠海海洋环境监测中心站, 珠海 5190153. 南方海洋科学与工程广东省实验室(珠海), 珠海 519082

收稿日期:2022-09-23修回日期:2023-04-17出版日期:2023-09-20发布日期:2023-09-18
通讯作者:杨凡, E-mail: yangf(at)scs.mnr.gov.cn, 韦骏, E-mail: weijun5(at)mail.sysu.edu.cn

基金资助:广东省重点领域研发计划(2020B1111020003)和国家自然科学基金(41976007)资助

A PM_2.5 Interpolation Method Based on Neural Networkfor Optimum City Matching

ZHOU Pei¹, YANG Fan^2,?, WEI Jun^1,3,?

1. School of Atmospheric Sciences, Sun Yat-Sen University, Zhuhai 5190822. Zhuhai Marine Environmental Monitoring Central Station of the State Oceanic Administration, Zhuhai 5190153. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Guangdong 519082

Received:2022-09-23Revised:2023-04-17Online:2023-09-20Published:2023-09-18
Contact:YANG Fan, E-mail: yangf(at)scs.mnr.gov.cn, WEI Jun, E-mail: weijun5(at)mail.sysu.edu.cn

摘要/Abstract

摘要： 为解决部分城市PM_2.5浓度数据缺值严重, 无法通过训练自身数据得到预报模型的问题, 提出用相似城市的预报模型实现目标城市历史数据的填补。依据23个城市的气象数据、城市发展数据和PM_2.5浓度数据, 建立基于自组织映射(SOM)和门控循环单元(GRU)神经网络的PM_2.5日均浓度数据插值模型, 并分别利用该插值模型和传统插值方法(线性插值和样条插值)对不同类型的缺值数据进行填补, 对比两者的填补效果。实验结果表明, 基于SOM神经网络的城市匹配模型可以准确地匹配出目标城市的相似城市; 当缺值数据少于5天时, 利用传统插值方法的填补效果优于GRU插值模型; 当缺值数据多于5天时, GRU插值模型更胜任长时间缺测数据的填补工作。

引用本文

周佩, 杨凡, 韦骏. 基于最优城市匹配神经网络模型的PM_2.5插值方法[J]. 北京大学学报自然科学版, 2023, 59(5): 793-800.
ZHOU Pei, YANG Fan, WEI Jun. A PM_2.5 Interpolation Method Based on Neural Networkfor Optimum City Matching[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2023, 59(5): 793-800.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3906