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

为提高PM 2.5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PM 2.5浓度预测模型,开展未来24 h的PM 2.5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PM 2.5浓度作为模型输出,分别以PM 2.5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PM 2.5浓度预测模型;最后利用实测PM 2.5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PM 2.5浓度预测模型的RMSE和IA分别为16.22μg/m 3和84.36%,模型预测精度较好,可有效预测未来24 h的PM 2.5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。