-
题名大气污染物浓度时空分布预测的深度学习模型
- 1
-
-
作者
苏沛
张建坤
-
机构
东华理工大学江西省核地学数据科学与系统工程技术研究中心
东华理工大学信息工程学院
-
出处
《计算机与现代化》
2026年第1期17-22,共6页
-
基金
江西省自然科学基金资助项目(20202BAB204035)
江西省核地学数据科学与系统工程技术研究中心开放基金资助项目(JETRCNGDSS202103)。
-
文摘
针对在大气污染物浓度预测中现有模型难以捕捉监测数据时间依赖性,且缺乏大气污染物空间分布特征提取能力的问题,提出一种多尺度卷积长短期记忆网络(IncConvLSTM)模型,用于大气污染物浓度时空分布预测。模型将Inception模型中的多尺度卷积算法融入卷积长短期记忆网络模型(ConvLSTM),利用东莞市2021年至2022年大气污染物浓度逐时监测数据,结合该时间段地面观测、卫星遥感和气象站点数据所生成的网格图,对细颗粒物(PM_(2.5))、臭氧(O_(3))、二氧化氮(NO_(2))、二氧化硫(SO_(2))和一氧化碳(CO)这5种大气污染物浓度进行1 km^(2)逐时精细化预测,并与ConvGRU模型、ConvLSTM模型和CNN-LSTM模型进行对比分析。实验结果表明,5种大气污染物对应的决定系数(R^(2))分别为0.87、0.90、0.85、0.80和0.77,模型在预测精度、稳定性和应对突发变化能力方面均优于其他对比模型。本文所构建的模型应用于大气污染物浓度网格图预测,为大气污染物浓度时空精细化预测提供了一种稳健且有效的新方法。
-
关键词
大气污染物预测
网格图
深度学习
incconvlstm模型
Inception模型
ConvLSTM模型
-
Keywords
atmospheric pollutant prediction
grid map
deep learning
incconvlstm model
Inception model
ConvLSTM model
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
