融合GNSS水汽、风速与大气污染物的河北省冬季PM 2.5 浓度预测研究

Yong Wang、Jianlin Feng、王泓易、Yujuan Tan、刘严萍、Jinyue Song、李江波、Dongyang Liu

2020Environmental Science被引 2

摘要

为提高PM2.5浓度预测的时效和精度，本文综合大气污染物、GNSS水汽和风速等观测要素，利用FFT与LSTM神经网络方法构建PM2.5浓度预测模型，开展未来24 h的PM2.5浓度预测研究。首先对大气污染物、GNSS水汽和风速等观测要素进行快速傅里叶变换，提取各类要素的公共变化周期，获得最佳公共周期为216 h；然后选取最佳公共周期长度的各类要素作为模型输入，24 h序列的PM2.5浓度作为模型输出，分别以PM2.5单要素的RBF神经网络和融合大气污染物、风速、GNSS水汽的LSTM神经网络构建PM2.5浓度预测模型；最后利用实测PM2.5浓度序列分别对2种模型开展外部可靠性检验，将RMSE和IA作为评价指标进行模型精度评价。研究结果表明，基于FFT-LSTM的PM2.5浓度预测模型的RMSE和IA分别为16.22 μg/m3和84.36%，模型预测精度较好，可有效预测未来24 h的PM2.5浓度，该模型可为大气污染防治部门空气质量预测提供参考。

引用本文（GB/T 7714）

Yong Wang, Jianlin Feng, 王泓易, 等. 融合GNSS水汽、风速与大气污染物的河北省冬季PM 2.5 浓度预测研究[J]. 未知来源, 2020.

引文网络

参考文献与被引分析加载中…

DOI：https://doi.org/10.14075/j.jgg.2020.11.009

本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。