当前位置:首页 > 网络首发

网络首发

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
摘要: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,... 展开+
摘要:

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-

作者:

  • 郑鑫楠
  • 林开颜
  • 王孜竞
  • 宋远博
  • 师洋
  • 路函悦
  • 张亚雷
  • 沈峥

单位

  • 同济大学电子与信息工程学院
  • 同济大学新农村发展研究院
  • 同济大学环境科学与工程学院

关键字

  • 空气质量预报
  • CMAQ模型
  • 卷积神经网络
  • 长短期记忆神经网络
  • 哈里斯鹰优化算法

引用格式

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.

相关论文

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:19558121964
编辑部邮箱:office@eep1987.com
版权所有©《能源环境保护》编辑部  京ICP备05086979号