中国环境科学

作者：马井会, 瞿元昊, 余钟奇, 许建明

单位：中国气象局上海台风研究所, 上海市气象与健康重点实验室, 上海 200030

关键词：机器学习,S2S,PM2.5延伸期预测

基金：国家自然科学基金资助项目(42005055,91644223)

基于PM2.5浓度、次季节到季节预测项目(S2S)三家模式(CMA、UK和ECMWF)历史回报气象要素(2000~2014年)作为预测因子,利用长短时记忆神经网络(LSTM)深度学习方法和轻量级梯度提升机(LGBM)算法开发了上海PM2.5延伸期预测模型,并应用LSTM模型建立了上海秋冬季(11月~次年2月)PM2.5浓度延伸期预测融合模型.结果显示:融合模型11~40d逐候预测与实况的相关系数为0.47~0.76,比单一模型相关系数上升23.5%~31.1%; 融合模型RMSE介于19~25.1 µg/m3之间,较单一模型下降19%~19.3%.融合模型能够较好地预报出未来11~40d上海秋冬季PM2.5浓度的总体趋势、浓度峰值谷值的变化及发生时间等关键特征,逐候HSS技巧评分在0.18~0.5之间,显示出较好的预测技巧.对于典型污染过程个例的预测而言,融合模型在不同的预测时效预测准确率存在差异,提前11−40d的总体预测准确率为75.5%.对于持续3d及以上的3次污染过程,11~40d预测准确率达到100%.融合模型的预报时效可达40d,是目前污染数值预报模型(一般96~240h)预报时效的近4倍,且运算速度快,能够节省大量计算资源和时间成本.

来源：2023年第7期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2023年第7期