中国环境科学

作者：董红召, 廖世凯, 杨强, 应方

单位：1. 浙江工业大学, 智能交通系统研究所, 浙江 杭州 310014;2. 杭州环研科技有限公司, 浙江 杭州 311122;3. 浙江省杭州生态环境监测中心, 浙江 杭州 310004

关键词：PM2.5预测,CNN-BILSTM,大气环境容量,工业园区

基金：浙江省科技计划项目（LGF20F030001）

为实现工业园区企业污染排放精细化管控，捕捉工业园区内企业污染排放与污染物浓度之间的响应关系，提出一种集成大气环境容量（AEC）和时空特征的工业园区PM2.5浓度预测模型.通过有限体积法获得工业园区日均大气自净能力指数（ASI），结合工业园区日排放数据作为AEC特征；同时利用小波分析和Pearson相关系数法提取时空特征，包括目标监测站PM2.5浓度的时间变化特征和其与周围监测点PM2.5的空间相关特征.通过CNN获取训练数据中PM2.5的关联特征，并利用BILSTM充分反映时间序列训练数据中隐含的关键历史长短期依赖关系，确保快速准确的预测性能，以2018~2020年濮阳市工业园区大气污染物观测数据、气象数据及排放数据进行实验验证.结果表明：本文提出的CNN-BILSTM预测模型相较于传统LSTM模型预测精度提升10%；AEC特征和时空特征有利于提高模型精度和稳定性，集成AEC和时空特征的CNN-BILSTM预测模型在PM2.5污染天数预测准确率最高，达93%；分季节预测结果表明，秋冬季的预测精度最高.

来源：2022年第10期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2022年第10期