免费下载
作者投稿
专家审稿
投稿指南
下载中心地址：浙江省杭州市萧山区拱秀路288号煤科大厦
邮编：311201
编辑部电话：0571-82989702；19558121964
编辑部邮箱：office@eep1987.com
建立空气质量预报模型，预测污染物浓度对人类健康和社会经济发展具有重要意义。然而，传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想。对此，本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正模型，并使用哈里斯鹰算法(HHO)对模型的超参数进行优化；用CMAQ模型对上海市2022年12月六种大气污染物(SO2、NO2、PM10、PM2.5、O3、CO)浓度的预报数据以及监测站的气象数据和污染物浓度实测数据作为HHO-CNN-LSTM模型的输入，对CMAQ模型预报结果进行修正。使用均方根误差(RMSE)、平均绝对误差(MAE)和一致性指数(IOA)作为评价指标。结果显示，修正模型显著提高了六项污染物浓度的预测精度，RMSE减少了73.11%～91.31%,MAE减少了67.19%～89.25%,IOA提升了35.34%～108.29%。同时针对HHO算法陷入局部最优而导致修正模型对CO浓度预测效果不佳的问题，使用高斯随机游走策略对HHO算法进行改进，显著提高了CO浓度的预测精度。相比于改进之前，RMSE减少了39.55%,MAE减少了45.93%,IOA提高了32.43%。
收起-郑鑫楠,林开颜,王孜竞,宋远博,师洋,路函悦,张亚雷,沈峥.基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用[J/OL].能源环境保护:1-10[2023-11-21].https://doi.org/10.20078/j.eep.20231107.
ZHENG Xinnan,LIN Kaiyan,WANG Zijing,SONG Yuanbo,SHI Yang,LU Hanyue,ZHANG Yalei,SHEN Zheng.Application of HHO-CNN-LSTM-based CMAQ correction model in air quality forecasting in Shanghai[J/OL].Energy Environmental Protection:1-10[2023-11-21].https://doi.org/10.20078/j.eep.20231107.
ZHENG Xinnan,LIN Kaiyan,WANG Zijing,SONG Yuanbo,SHI Yang,LU Hanyue,ZHANG Yalei,SHEN Zheng.Application of HHO-CNN-LSTM-based CMAQ correction model in air quality forecasting in Shanghai[J/OL].Energy Environmental Protection:1-10[2023-11-21].https://doi.org/10.20078/j.eep.20231107.