15、亚热带地区空气质量预测中ANN型模型的数据集分析循环划分

亚热带地区空气质量预测中ANN型模型的数据集分析循环划分

1. 引言

空气质量评估主要与两类主要空气污染物的浓度相关，即颗粒物（PM10和PM2.5）以及化学气体（NO、SO、CO和臭氧）。在像澳门这样的城市，空气质量指数会发布给公众，以方便规划户外活动，同时也会使用监测网络。传统气象动力/化学模型的瓶颈在于方程数量有限，而深度学习模型作为创新替代方案，即使在方程不足的情况下，也能准确捕捉模式并建立多变量输入之间的联系。空气质量指数（AQI）定义为污染物中最高的子指数，即：
[
AQI = \max (I_{PM_{10}}, I_{PM_{2.5}}, I_{SO_2}, I_{NO_2}, I_{O_3}, I_{CO})
]
其中 (I_{xxx}) 表示污染物 (xxx) 的子指数。

2. 研究贡献

本研究旨在验证小城市中空气污染物浓度和气象数据的时间序列季节性影响程度。研究发现了半年周期和年度振荡，并比较了4季和2周期（冷/暖）子集。为提高准确性，除气温、降雨率和风速数据外，还将云量和太阳辐射等其他大气现象数据添加到多变量长短期记忆（LSTM）模型中。最后，将近年来的时间序列数据应用于选定的小城市澳门。通过LSTM性能评估，可确定用于预测未来空气质量的最佳数据集组合，为公共服务的自适应系统提供支持。

3. 技术现状

当前的技术趋势是结合人工神经网络的不同组件和不同数据集，以及优化深度学习网络的算法。在气象研究领域，气温、湿度和风速等基本天气要素常被用作多变量输入，添加的外部信息越多，结果越准确。预测未来空气质量时，可以直接预测空气质量指数，也可以先确定各组成污染物的浓度，再重新组合以