基于ConvLSTM与U-Net的PM_(2.5)浓度预测方法研究

为更好地防治大气污染,基于深度学习方法建立了可同时学习数据时空特征的U-ConvLSTM模型以预测未来的PM_(2.5)浓度。首先通过对研究区数据的分析筛选出对PM_(2.5)有影响的因子作为辅助预测数据,将PM_(2.5)历史数据与选出的气象、归一化植被指数、地面高程、人口密度等辅助预测数据结合得到多通道的预测张量。将张量预处理后输入到ConvLSTM模块中学习其时空特征,并通过U-Net编码器-解码器结构将不同尺度的数据特征加以融合,最后通过一个1*1卷积层完成对PM_(2.5)空间分布的预测。使用该模型在山东省2016—2020年5年内102个监测站点的数据上进行实验,结果表明相较于仅学习时序特征的LSTM模型和未采用U-Net结构ConvLSTM,U-ConvLSTM模型有更好的效果,相比前两种模型其平均绝对误差MAE分别降低了25%和11%,均方根误差RMSE分别降低了29%和6%,说明空间特征的学习和编码器-解码器结构的加入有效提升了模型的精度。对比U-ConvLSTM模型与无辅助数据的UConvLSTM模型,发现辅助数据的使用使得MAE和RMSE分别降低了59%和49%,说明加入气象等辅助因子能更好的预测PM_(2.5)的时空分布。