基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用
郑鑫楠1
林开颜2
王孜竞1
宋远博1
师洋1
路函悦1
张亚雷3
沈峥2
1.同济大学 电子与信息工程学院,上海 2018042.同济大学 新农村发展研究院,上海 2018043.同济大学 新农村发展研究院,上海 201804;同济大学 环境科学与工程学院,上海 200092
摘要：建立空气质量预报模型,预测污染物浓度对人类健康和社会经济发展具有重要意义.然而,传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想.对此,本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正模型,并使用哈里斯鹰算法(HHO)对模型的超参数进行优化;用CMAQ模型对上海市 2022 年 12 月六种大气污染物(SO2、NO2、PM10、PM2.5、O3、CO)浓度的预报数据以及监测站的气象数据和污染物浓度实测数据作为HHO-CNN-LSTM 模型的输入,对 CMAQ 模型预报结果进行修正.使用均方根误差(RMSE)、平均绝对误差(MAE)和一致性指数(IOA)作为评价指标.结果显示,修正模型显著提高了六项污染物浓度的预测精度,RMSE减少了73.11%～91.31%,MAE减少了67.19%～89.25%,IOA提升了35.34%～108.29%.同时针对HHO算法陷入局部最优而导致修正模型对CO浓度预测效果不佳的问题,使用高斯随机游走策略对HHO算法进行改进,显著提高了CO浓度的预测精度.相比于改进之前,RMSE减少了39.55%,MAE减少了45.93%,IOA提高了32.43%.
关键词：空气质量预报CMAQ模型卷积神经网络长短期记忆神经网络哈里斯鹰优化算法
分类号：X823(环境质量分析与评价)
资助基金：国家重点研发计划(2022YFE0120600)国家自然科学基金(21978224)
论文发表日期：2023-12-28
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：10( 101-110 )
英文信息