递归时空学习及模拟监测融合的臭氧小时浓度预报方法技术

本发明专利技术公开的递归时空学习及模拟监测融合的臭氧小时浓度预报方法，包括以下步骤：S11、选择对臭氧预报重要度较高的气象因子，作为气象输入特征；S12、根据气象输入特征、臭氧模拟值和臭氧监测值，建立递归时空模型所需的数据集；S13、搭建递归时空模型，基于数据集进行递归时空模型的训练，同步捕捉抓取模式时空特征，预报站点臭氧小时浓度；S14、基于递归时空模型预报结果，通过Downscaler数据融合技术将其与模式结果耦合，实现区域水平的臭氧小时浓度预报。本发明专利技术使用Downscaler数据融合方法，融合递归时空模型结果与模式区域预报值，实现了区域范围的臭氧小时浓度精确预报，弥补了现有技术的缺陷。了现有技术的缺陷。了现有技术的缺陷。

【技术实现步骤摘要】
递归时空学习及模拟监测融合的臭氧小时浓度预报方法


[0001]本专利技术属于臭氧浓度预报
，更具体地，涉及一种递归时空学习及模拟监测融合的臭氧小时浓度预报方法。

技术介绍

[0002]臭氧不仅是温室气体，还能够参与大气光化学反应引发光化学烟雾，对生态环境和人体健康造成不利影响。臭氧污染是由大气中的氮氧化物(NO
X
)和挥发性有机物(VOCs)等污染物在光照条件下发生光化学反应产生，当中涉及数以千计的大气化学反应，包含大量的非线性化学过程。此外，臭氧的生成和反应速率除与气象条件有关，还受到区域传输的臭氧及前体物浓度的影响，以上因素使臭氧污染的预测和防治面临较大的难度与挑战。
[0003]为实现对臭氧污染的科学防控，需要准确预测臭氧浓度。臭氧具有明显的日变化规律：通常清晨浓度较低，随着太阳照射往往在午后达到高值，之后随日照减弱浓度逐渐下降。现有预测主要为对臭氧日最大8小时均值和月度趋势的整体预测，均值掩盖了臭氧峰值浓度，无法体现臭氧的日变化规律。
[0004]传统的臭氧浓度预报方法包括统计预测和数值模式预测。统计预测通过拟合统计模型进行预测，其成本低、原理简单、易操作，然而忽略了排放源和大气物理化学机制等因素，对臭氧等非线性污染物的预测效果较差。数值模式预测通过模拟大气反应预测污染物浓度，相比统计预测具有更高的可解释性；但由于气象模拟、反应机理和排放清单具有较大的不确定性，预测结果仍然存在一定偏差。
[0005]近年来，通过数学建模对模式结果进行二次修正的方法也逐渐被应用于空气质量预报，该方法能够校正模式结果偏差，预测结果相对具有更高精度。然而传统偏差校正算法(如循环神经网络RNN和卷积神经网络CNN)只能单独考虑模式中的空间或时间关系，不能同时捕捉污染物的区域运输和时空累积特征，预报准确度仍然不能满足实际需求。此外，偏差修正方法只能对站点浓度进行预测，无法预测区域范围的浓度水平，不能服务于非站点区域的污染防控和空气质量保障。
[0006]现有的主流预测方法主要为对臭氧日均值和月度趋势的整体预测，如文质彬等通过拟合臭氧潜势指数预测臭氧日均值(利用臭氧潜势指数预报臭氧浓度的方法及装置，CN113514606A)；刘旗龙等通过订正预报模式，预测臭氧月均浓度(一种环境空气臭氧预报方法，CN 112965145 A)，目前鲜有方法能够精确预测臭氧小时浓度。

技术实现思路

[0007]为了至少解决现有技术中存在的技术问题之一，本专利技术提供递归时空学习及模拟监测融合的臭氧小时浓度预报方法，本专利技术集成了卷积循环网络和递归结构(卷积循环网络可以同时提取时间和空间特征，递归拓展了模型所处理的数据序列长度)，搭建了递归时空学习模型，有效提升了模式时空特征利用率和预测准确度；在此基础上进一步使用Downscaler方法，融合递归时空模型结果与模式区域预报值，实现了区域范围的臭氧小时
浓度精确预报，弥补了现有技术的缺陷。
[0008]为了实现本专利技术目的，本专利技术提供的递归时空学习及模拟监测融合的臭氧小时浓度预报方法，包括以下步骤：
[0009]S11、选择对臭氧预报重要度较高的特征因子，作为气象输入特征；
[0010]S12、根据气象输入特征、臭氧模拟值和臭氧监测值，建立递归时空模型所需的数据集；
[0011]S13、搭建递归时空模型，基于数据集进行递归时空模型的训练，同步捕捉抓取模式时空特征，预报站点臭氧小时浓度；
[0012]S14、基于递归时空模型预报结果，通过Downscaler数据融合技术将其与模式结果耦合，实现区域水平的臭氧小时浓度预报。
[0013]进一步地，S11步骤所述的选择对臭氧预报重要度较高的气象特征因子，具体过程为：
[0014]将WRF模式结果中的气象因子和监测臭氧浓度数据构建随机森林；
[0015]设特征变量在分裂前后的均方根误差分别为RA1和RA2，则杂质减少量为ΔRA＝RA1‑
RA2，计算特征变量均方根误差的平均减少量作为重要性分数
[0016][0017]S113、根据特征的重要性分数进行排序，并根据排序选择灵敏因子。
[0018]进一步地，S12步骤所述的建立递归时空模型所需的数据集，具体过程为：
[0019]S121、获取预测时段的数值模式结果，包含气象特征因子和模式模拟值；
[0020]S122、获取臭氧监测数据并对监测数据进行预处理，优选地，为了保证数据的有效性和输入连续性，进行填补缺失值的预处理；
[0021]S123、整合S121和S122步骤的数值模式结果和臭氧监测数据，根据预设比例构建数据集。
[0022]进一步地，S13步骤所述的搭建递归时空模型，具体步骤为：
[0023]S131、以卷积结构连接输入到状态、状态到状态之间的转换，形成卷积时空层，公式如下所示；
[0024]i
t
＝σ(W
i
*x
t
+U
i
*h
t
‑1+K
i
⊙
c
t
‑1+b
i
)
[0025]f
t
＝σ(W
f
*x
t
+U
f
*h
t
‑1+K
f
⊙
c
t
‑1+b
f
)
[0026]o
t
＝σ(W
o
*x
t
+U
o
*h
t
‑1+K
o
⊙
c
t
‑1+b
o
)
[0027]c
t
＝f
t
⊙
c
t
‑1+i
t
⊙
tanh(W
c
*x
t
+U
c
*h
t
‑1+b
c
)
[0028]h
t
＝o
t
⊙
tanh(c
t
)
[0029]式中，输入门i
t
决定当前时刻信息输入信息的筛取，遗忘门f
t
决定上一时刻输入信息c
t
‑1的筛取，输出门o
t
决定当前时刻输出信息c
t
的筛取，W
i
、U
i
、K
i
、b
i
、W
f
、U
f
、b
f
、W
c
、U
c
、b
c
均为通过训练学习得到的参数；*为卷积运算；h
t
，c
t
为t时刻的隐状态和记忆单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.递归时空学习及模拟监测融合的臭氧小时浓度预报方法，其特征在于，包括以下步骤：S11、选择对臭氧预报重要度较高的气象因子，作为气象输入特征；S12、根据气象输入特征、臭氧模拟值和臭氧监测值，建立递归时空模型所需的数据集；S13、搭建递归时空模型，基于数据集进行递归时空模型的训练，同步捕捉抓取模式时空特征，预报站点臭氧小时浓度；S14、基于递归时空模型预报结果，通过Downscaler数据融合技术将其与模式结果耦合，实现区域水平的臭氧小时浓度预报。2.根据权利要求1所述的递归时空学习及模拟监测融合的臭氧小时浓度预报方法，其特征在于，S11步骤所述的选择对臭氧预报重要度较高的气象特征因子，具体过程为：将气象因子和监测臭氧浓度数据构建随机森林；设特征变量在分裂前后的均方根误差分别为RA1和RA2，则杂质减少量为ΔRA＝RA1‑
RA2，计算特征变量均方根误差的平均减少量作为重要性分数计算特征变量均方根误差的平均减少量作为重要性分数根据特征的重要性分数进行排序，并根据排序选择特征因子。3.根据权利要求1所述的递归时空学习及模拟监测融合的臭氧小时浓度预报方法，其特征在于，S12步骤所述的建立递归时空模型所需的数据集，具体过程为：S121、获取预测时段的数值模式结果，包含气象输入特征和模式模拟值；S122、获取臭氧监测数据并对监测数据进行预处理；S123、整合S121和S122步骤的数值模式结果和臭氧监测数据，根据预设比例构建数据集。4.根据权利要求1所述的递归时空学习及模拟监测融合的臭氧小时浓度预报方法，其特征在于，所述预处理包括填补缺失值。5.根据权利要求1所述的递归时空学习及模拟监测融合的臭氧小时浓度预报方法，其特征在于，S13步骤所述的搭建递归时空模型，具体步骤为：以卷积结构连接输入到状态、状态到状态之间的转换，形成卷积时空层，公式表示为；i
t
＝σ(W
i
*x
t
+U
i
*h
t
‑1+K
i
⊙
c
t
‑1+b
i
)f
t
＝σ(W
f
*x
t
+U
f
*h
t
‑1+K
f
⊙
c
t
‑1+b
f
)o
t
＝σ(W
o
*x
t
+U
o
*h
t
‑1+K
o
⊙
c
t
‑1+b
o
)c
t
＝f
t
⊙
c
t
‑1+i
t
⊙
tanh(W
c
*x
t
+U
c
*h
t
‑1+b
c
)h
t
＝o
t
⊙
tanh(c
t
)式中，输入门i
t
决定当前时刻信息输入信息的筛取，遗忘门f
t
决定上一时刻输入信息c
t
‑1的筛取，输出门o
t
决定当前时刻输出信息c
t
的筛取，W
i
、U
i
、K
i
、b
i
、W
f
、U
f
、b
f
、W
c
、U
c
、b
c
均为通过训练学习得到的参数；*为卷积运算；h
t
，c

【专利技术属性】
技术研发人员：朱云，张冰瑶，朱振华，游志强，黎杰，龙世程，李金盈，
申请(专利权)人：华云创信广东生态环境科技有限公司，
类型：发明
国别省市：