融合EOF分解及CNN-LSTM神经网络的PM_2.5预测

来源：环境科学杂志2025年第1期北京时间：

作者：李明明,王小兰,岳江,陈玲,汪文雅,杨爱琴

单位：山西省气象科学研究所, 太原 030002,山西省气象科学研究所, 太原 030002,山西省气象科学研究所, 太原 030002,山西省气象科学研究所, 太原 030002,山西省气象科学研究所, 太原 030002,山西省气象科学研究所, 太原 030002

摘要：利用2016~2020年太原市地面气象资料和环境空气质量资料,分析了太原市PM_2.5浓度的时间和空间的变化特征,运用EOF分解诊断分析方法,对太原市PM_2.5浓度时空变化特征进行了研究,同时利用随机森林模型分析了气象因子的重要性,建立基于CNN-LSTM神经网络的PM_2.5浓度预报模型. 结果表明,2016~2020年太原市区PM_2.5浓度年均值总体上呈现出逐年减少的趋势,高值主要出现在11月、12月、1月和2月,18：00至翌日的02：00易出现PM_2.5浓度峰值,PM_2.5浓度年均值呈现自西北向东南逐渐增加的趋势. PM_2.5浓度的EOF分解：模态1特征向量的方差贡献率为49.4%,模态2特征向量的方差贡献率为30.8%,以晋源-巨轮-南寨为界,负值区主要在东南,中心位于东南部的小店,正值区则主要位于西北,其中心位于金胜. PM_2.5浓度与相对湿度、露点温度之间显著正相关；与风速、降水量和混合层高度主要表现为负相关,与通风量和自净能力也主要呈现一般负相关,与气温相关性不明显. 相对湿度、露点温气压、度和混合层高度在四个季节特征排序中均占较为重要的地位,其次是风速、风向、通风量和自净能力重要程度相对一般. 采用CNN-LSTM模型建模,PM_2.5浓度预测的R2在春、夏、秋和冬这4个季节分别为0.805、0.826、0.897和0.901,4个季节R2均在0.8以上,在4个季节CNN-LSTM模型的预测残差值均近似于正态分布,模型的绝对误差控制在10 μg·m-3以下的预测结果夏季最高达到81.2%,秋季和春季次之,分别为75.9%和62.9%,冬季表现一般,有51.5%预测结果的绝对误差低于10 μg·m-3.

关键词：气象特征,EOF分解,PM2.5浓度,CNN神经网络,LSTM神经网络,预测,