| 基于深度学习的大气细颗粒物污染时空预报 |
| |
| 引用本文： | 张迪,赵隽颢,沈隽永,王硕,程真. 基于深度学习的大气细颗粒物污染时空预报[J]. 环境科学与技术, 2020, 43(9): 141-154. DOI: 10.19672/j.cnki.1003-6504.2020.09.020 |
| |
| 作者姓名： | 张迪 赵隽颢 沈隽永 王硕 程真 |
| |
| 作者单位： | 上海交通大学中英国际低碳学院,上海201306,上海交通大学环境科学与工程学院,上海200240,上海交通大学环境科学与工程学院,上海200240,北京师范大学系统科学学院,北京100875,上海交通大学环境科学与工程学院,上海200240 |
| |
| 摘 要： | 为尽可能减少PM2.5重污染带来的环境和健康危害,对其进行及时准确的预报预警显得十分关键。文章使用WRF气象模型和CMAQ空气质量模型输出的2015年1-12月逐小时的中国地区27 km×27 km网格化气象场、污染排放和细颗粒物模拟浓度数据,训练深度学习预报模型。研究结果显示,深度学习预报结果与CMAQ模拟结果在测试集上的均方误差为10.52μg/m3,优于已有的大部分其他研究,深度学习在重点城市的PM2.5预测浓度趋势与CMAQ基本一致,其RMSE为28.82μg/m3,整体空间分布也具有较好的一致性,可以准确重现CMAQ模拟结果。该研究进一步使用国控点实际观测数据对训练完成的深度学习预报模型进行优化,以减少CMAQ理论模型所带来的固有误差。优化后的深度学习模型预报结果在总体上更接近实际观测的真实结果。此外,深度学习模型的预报速度在相同CPU环境下比CMAQ模型提升93倍,在GPU加速环境下提升高达465倍,可以做到快速实时的浓度预报响应。该研究构建的耦合数值模型和实际观测数据的深度学习预报技术...
|
| 关 键 词： | 细颗粒物预报 深度学习 卷积长短时记忆网络 |
Spatio-temporal Forecast of Ambient Fine Particulate Matter Pollution Based on Deep Learning |
| |
| ZHANG Di,ZHAO Juanhao,SHEN Juanyong,WANG Shuo,CHENG Zhen. Spatio-temporal Forecast of Ambient Fine Particulate Matter Pollution Based on Deep Learning[J]. Environmental Science and Technology, 2020, 43(9): 141-154. DOI: 10.19672/j.cnki.1003-6504.2020.09.020 |
| |
| Authors: | ZHANG Di ZHAO Juanhao SHEN Juanyong WANG Shuo CHENG Zhen |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
