基于深度学习的大气细颗粒物污染时空预报
张迪1
赵隽颢2
沈隽永2
王硕3
程真2
1.上海交通大学中英国际低碳学院,上海2013062.上海交通大学环境科学与工程学院,上海2002403.北京师范大学系统科学学院,北京100875
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 kmx27 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10.52 μg/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28.82 μg/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,能够快速准确地给出大气细颗粒物浓度的未来时空分布预报结果,对深度学习技术在实际预报业务中的应用具有重要的借鉴价值.
关键词：细颗粒物预报深度学习卷积长短时记忆网络
分类号：X51(大气污染及其防治)
资助基金：国家自然科学基金(41975152)
论文发表日期：2020-09-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：14( 141-154 )
英文信息