一种高时空分辨率的站点臭氧浓度预测方法技术

本发明专利技术涉及一种高时空分辨率的站点臭氧浓度预测方法，利用考虑数据时序特征的长短期记忆神经网络建立单一使用气象数据的O3浓度预测模型，模型建立和预测过程中的气象数据分别选择开源的ECMWF气象数据和GFS气象数据，所述模型的特点为成本低、时效性和准确性高、空间覆盖率高，降低了模型建立过程以及使用过程中的成本投入，实现了高效快速地预报逐小时、高精度、区域覆盖的O3浓度预报，为臭氧污染防治提供基础数据支持。治提供基础数据支持。治提供基础数据支持。

【技术实现步骤摘要】
一种高时空分辨率的站点臭氧浓度预测方法


[0001]本专利技术涉及臭氧污染防治技术应用领域，特别是涉及一种高时空分辨率的站点臭氧浓度预测方法。

技术介绍

[0002]近地面的O3并不是由污染源直接排放的一次污染物，而是由大气中一次污染物通过光化学反应生成的二次污染物，大气中促使O3生成的主要前体物为NOx和VOCs。此外，臭氧污染还受到气象条件(如光照、气温、风速、混合层高度等)、下垫面和区域输送等因素的影响，这些因素的综合影响促使O3与前体物之间存在复杂的非线性关系，并表现出显著的时间和空间变异特征。随着城市化进程的加快，挥发性有机物(VOCs)和氮氧化物(NOx)等臭氧(O3)前体物的排放密度居高不下，O3污染问题日渐突出。因此十分有必要提高对于臭氧浓度的预报能力，以有效保护民众的身体健康，为大气污染防治提供决策支持。
[0003]目前臭氧浓度预报采用的方法可以分为数值预报方法和统计预报方法两大类。数值预报方法需要利用数值模式系统，一般由源清单处理模型、气象模型和大气化学模型等构成，一次数值模拟需要大量的输入数据并设置相关参数，模型计算复杂耗时长，其本身的高技术和投入门槛使得使用较为困难。此外，由于排放清单的不确定性大、模式的物理化学机制复杂且参数化存在不确定性等原因，导致数值模式对臭氧的预报误差较大，仍有较大的提升空间。
[0004]相比于数值预报方法，统计预报方法具有构造简单、使用方便、输入数据较少不需要污染源排放清单作为输入的特点，计算成本较低，可推广性较强，近年来在空气质量预报中得到了较为广泛的应用。统计预报模型以污染物浓度、气象要素观测数据以及前体物排放数据为基础，通过统计学方法构建污染物浓度和气象因子及前体物排放数据之间的函数关系模型，利用气象因子观测数据和前体物排放数据作为模型输入预测大气污染浓度。早期的污染物浓度预测模型主要使用主成分分析和多元线性回归等方法，但其不能很好地捕捉大气污染物浓度与影响因素之间的非线性关系，因此预测准确度较低。
[0005]而神经网络算法具有良好的自适应、自调整和非线性拟合能力，可以有效捕捉大气污染物变化中隐藏的非线性特征，通过处理海量数据，更客观、灵活地构建模型，在大气污染物浓度预测工作中得到了广泛的应用。常用于大气污染物浓度预测的神经网络算法包括人工神经网络、前馈神经网络、支持向量机、多层感知器、决策树和随机森林等。此外随着对臭氧污染问题的认识深入，发现臭氧污染特征变现出随着季节和日的周期性变化规律，且臭氧来源于上一时刻臭氧的积累、该时刻的分解以及臭氧的传输。因此臭氧的污染具有时间依赖性，影响下一时刻臭氧浓度的因素包含之前几个时刻的影响因素和臭氧浓度以及传输等。因此，除气象因素和污染物排放信息外将时序特征纳入模型能更好的预测臭氧的浓度。LSTM作为一种循环神经网络改进算法，能够处理时序问题，目前在污染物浓度预测中已经取得了初步的应用。
[0006]统计预报方法中使用的气象因子一般包含温度、湿度、风速、风向、大气压、边界层
高度、降雨量、云量、太阳辐射等。在大气污染物浓度统计预报模型的建立中，训练模型使用的气象数据一般采用站点实测数据或气象局再分析数据，模型建立后对臭氧浓度进行预测时，气象数据一般采用气象数值模式预报结果。前体物排放数据一般包含污染源排放量或者污染物浓度监测数据。
[0007]现有的臭氧浓度统计预报方法主要使用人工神经网络、前馈神经网络、支持向量机、多层感知器、决策树和随机森林等处理非时序性数据的机器学习算法开发的。需要输入气象数据及前体物排放数据对模型进行训练从而建立O3浓度与气象和前体物排放之间的线性或非线性函数关系，从而实现对O3浓度进行预测。训练模型采用的气象数据一般采用站点实测气象数据或气象局再分析数据。对O3浓度预测时使用的气象数据一般采用气象数值模式如wrf预报的结果。前体物排放数据一般包含污染物排放量数据或者污染物浓度监测数据。使用这些处理非时序性数据的机器学习算法开发的臭氧浓度统计预报方法，由于不考虑臭氧污染的时序特征，因此预报准确率较低。此外，训练模型采用的气象数据使用站点实测数据，包含的气象参数一般为近地面温度、相对湿度、风速、风向、大气压等，参数较少，难以很好的表征与臭氧污染形成相关的所有气象影响因素。训练模型使用气象局再分析数据，包含的气象参数比较丰富，但获取成本较高。对O3浓度预测时使用气象数值模式的气象预报结果成本及门槛均较高，运算量大，时间开销大。
[0008]因此现有的臭氧浓度统计预报方法较少考虑臭氧污染时序特征，预测准确率有待提升。且现有方法输入数据获取成本和门槛均较高，尚缺乏推广及业务化应用研究，以满足臭氧污染应急的时效性需求。

技术实现思路

[0009]本专利技术的目的是针对现有臭氧浓度统计预报方法建立过程中输入数据获取成本大门槛高、模型时效性和准确性差的问题，提出一种高时空分辨率的站点臭氧浓度预测方法，以提高O3浓度预报的时效性、准确性和空间覆盖性，降低模型建立过程以及使用过程中的成本投入，以实现高效快速地预报逐小时、高精度、区域覆盖的O3浓度预报方法，为臭氧污染防治提供基础数据支持。
[0010]为实现上述目的，本专利技术提供了一种高时空分辨率的站点臭氧浓度预测方法，所述站点臭氧浓度预测方法包括如下步骤：
[0011]S1，通过python程序获取GFS预测气象数据、ECMWF气象数据、国家空气质量监测站点的站点O3浓度数据和实测气象数据；
[0012]S2，将收集的多源数据，经时空匹配、缺失值插补、异常值处理及规范化的预处理流程，转换为时空尺度统一的数据集，构建形成样本数据集D；
[0013]S3，将预处理后的样本数据集D，进行维度转化成时序数据集D*，之后随机划分为训练数据集Train、验证数据集Valid和测试数据集Test三部分，所述训练数据集Train和验证数据集Valid用于D
‑
LSTM模型训练，所述测试数据集Test用于模型精度验证；
[0014]S4，将GFS预测气象数据、站点历史实测O3浓度数据和气象数据进行预处理后输入到D
‑
LSTM模型中，预测对应的O3浓度值；
[0015]S5，采用预测值和实测值之间的皮尔森相关系数r、均方根误差RMSE、平均绝对误差MAE三种回归模型的评价指标对模型进行评测，计算预测对应的O3浓度值的精度。
[0016]优选地，在步骤S1中，所述ECMWF气象数据为欧洲中期天气预报中心的气象再分析数据，所述GFS为美国国家环境预报中心全球预报系统的预报气象数据；所述气象数据中获取的气象参数包括：环境温度、相对湿度、边界层高度、10m风速、10m风向及大气压。
[0017]优选地，在步骤S2中，所述时空匹配的预处理流程包括：
[0018]在空间上，ECMWF和GFS气象数据为网格化数据，国家空气质量监测站点是散点分布，通过经纬度匹配建立空间多站点的气象数据和站点O3浓度数据的数据集；
[0019]在时间上，远期历史气象数据使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高时空分辨率的站点臭氧浓度预测方法，其特征在于：所述站点臭氧浓度预测方法包括如下步骤：S1，通过python程序获取GFS预测气象数据、ECMWF气象数据、国家空气质量监测站点的站点O3浓度数据和实测气象数据；S2，将收集的多源数据，经时空匹配、缺失值插补、异常值处理及规范化的预处理流程，转换为时空尺度统一的数据集，构建形成样本数据集；S3，将预处理后的样本数据集，进行维度转化成时序数据集，之后随机划分为训练数据集、验证数据集和测试数据集三部分，所述训练数据集和验证数据集用于D
‑
LSTM模型训练，所述测试数据集用于模型精度验证；S4，将GFS预测气象数据、站点历史实测O3浓度数据和气象数据进行预处理后输入到D
‑
LSTM模型中，预测对应的O3浓度值；S5，采用预测值和实测值之间的皮尔森相关系数r、均方根误差RMSE、平均绝对误差MAE三种回归模型的评价指标对模型进行评测，计算预测对应的O3浓度值的精度。2.根据权利要求1所述的站点臭氧浓度预测方法，其特征在于：在步骤S1中，所述ECMWF气象数据为欧洲中期天气预报中心的气象再分析数据，所述GFS为美国国家环境预报中心全球预报系统的预报气象数据；所述气象数据中获取的气象参数包括：环境温度、相对湿度、边界层高度、10m风速、10m风向及大气压。3.根据权利要求1所述的站点臭氧浓度预测方法，其特征在于：在步骤S2中，所述时空匹配的预处理流程包括：在空间上，ECMWF和GFS气象数据为网格化数据，国家空气质量监测站点是散点分布，通过经纬度匹配建立空间多站点的气象数据和站点O3浓度数据的数据集；在时间上，远期历史气象数据使用ECMWF数据，近期历史气象数据使用站点实测数据，预报气象数据使用GFS数据。4.根据权利要求1所述的站点臭氧浓度预测方法，其特征在于：在步骤S2中，所述缺失值插补的预处理流...

【专利技术属性】
技术研发人员：徐娇，张英磊，郜芸，孔凡萍，李鑫，
申请(专利权)人：北京首创大气环境科技股份有限公司，
类型：发明
国别省市：