太原市PM_2.5浓度的气象特征影响分析及预报

来源：环境科学杂志2023年第1期北京时间：

作者：李明明,王雁,闫世明,陈玲,韩照宇

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

摘要：利用2016~2020年太原市污染物浓度资料、以及国家基准气象观测站的同期地面气象资料，重点分析了太原市PM_2.5浓度的变化特征以及湿度、降水、风和混合层厚度等气象条件对PM_2.5浓度的影响，同时探讨了污染物浓度变化的成因，建立基于LSTM神经网络的PM_2.5浓度预报模型.结果表明，2016~2020年太原市区冬季出现的重污染天数最多，其中2017年冬季出现天数最多为28 d，PM_2.5浓度总体呈现出秋冬季节高，春夏季节低，周末PM_2.5浓度高于工作日浓度，PM_2.5浓度日变化大致呈现双峰型分布，分别出现在09：00左右和23：00至翌日01：00.除相对湿度和冬季气温外，其余气象要素与PM_2.5浓度在四季均表现为负相关.影响太原市区PM_2.5浓度升高的污染源主要位于其NE-ENE-E方向，西北部地区的相对不明显.汛期当达到中雨（降水量≥10 mm）以上级别的降水都对PM_2.5浓度降低有明显效果.大气混合层高度增加对于PM_2.5在垂直方向的扩散和稀释非常有利.冬季强偏西北向气流，相对湿度低，地面处于高压控制，混合层高度高，属于最利于PM_2.5浓度降低的类簇.采用LSTM模型建模，PM_2.5浓度预测的R2高达0.95，显著优于传统树模型和线性回归模型（R2<0.60），预测结果残差接近正态分布，其中84.2%预测结果的绝对误差低于20μg ·m-3，模型的MAE、MAPE和RMSE分别为38.17、17.19%和20.6.

关键词：长短时记忆神经网络(LSTM),气象特征,机器学习,PM2.5浓度,预报,k均值聚类,太原,