长短期记忆神经网络(LSTM)模型在低能见度预报中的应用

doi:10.3969/j.issn.1673-503X.2022.05.004

摘要/Abstract

摘要：

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据, 分析了义乌地区低能见度天气(观测能见度lt; 10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟, 分别对比了观测能见度作为输入变量与否的模拟效果; 根据义乌地区低能见度天气条件的特征, 将模拟时段分为三个时期(11月至翌年2月, 3—6月, 7—10月), 对比了分时期模拟的效果; 以及评估了模型的预报步长。结果表明: 高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果, 当输入参数中加入历史观测能见度时, 能大幅提高模拟准确度, 日均能见度模拟结果均方根误差RMSE=0.63 km, 平均绝对误差MAE=0.51 km, 拟合优度R²=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好, RMSE=2.35 km, MAE=1.46 km, 低能见度均方根误差RMSE_10 km=1.81 km, 低能见度平均绝对误差MAE_10 km=1.13 km, R²=0.83; 3—6月的模拟中, 输入变量中不加AQI模拟效果更好, 这意味着3—6月义乌地区的低能见度天气以雾天气为主导, 加入过多变量并不一定能提高模型准确度; 随着预报步长增大, 模型预报效果变差, 预测步长等于3 h, R²=0.71, 预测结果已不具备实际应用意义。

关键词: 大气能见度, 长短记忆神经网络, 预报模型, 空气质量

Abstract:

Based on the hourly meteorological observation data (relative humidity, wind speed, ground-air temperature difference, and visibility) and air quality index (AQI) data from 2015 to 2019 in Yiwu of Zhejiang province, we analyzed the distribution and meteorological conditions of low visibility (observed visibility lt; 10 km) in Yiwu.The Long Short-term Memory Neural Network (LSTM) was used to simulate the hourly visibility, and the simulation results with and without observed visibility as an input member were compared.According to the meteorological conditions of low visibility, the simulation period was divided into three periods (from November to February, from March to June, and from July to October).We compared the simulation performance in different periods and evaluated the model prediction steps.The results showed that the high humidity, high pollution, air temperature higher than the surface temperature, and low wind speed are the main meteorological characteristics influencing the low visibility weather in Yiwu.The LSTM has a good performance in simulating visibility at a single station.When the historical observed visibility has been used as an input parameter, the simulation accuracy can be greatly improved, with the root mean square error (RMSE) of 0.63 km, the mean absolute error (MAE) of 0.51 km, and the fitting goodness R² of 0.99.Better simulation can be reached after dividing different periods, and the best simulation occurred in winter (from November to February) using the input elements selected in this study, with RMSE=2.35 km and MAE=1.46 km, and for low visibility weather, the RMSE_10km=1.81 km, MAE_10km=1.13 km, and R²=0.83.In the simulation from March to June, the simulation of low visibility without AQI as one input member performs better, which means that low visibility in Yiwu is dominated by foggy weather in this period.Adding too many variables does not necessarily improve the accuracy of the model.With the increase in the forecast step size, the simulation performs worse.When the forecast step size equals 3 h, R² reaches 0.71 and the simulation result has no practical application significance.

Key words: Atmospheric Visibility, Long Short-term Memory Neural Network (LSTM), Forecast model, Air quality

中图分类号:

P427.2

方楠, 谢国权, 阮小建, 任晨平, 姜舒婕, 张玮玮. 长短期记忆神经网络(LSTM)模型在低能见度预报中的应用[J]. 气象与环境学报, 2022, 38(5): 34-41.

Nan FANG, Guo-quan XIE, Xiao-jian RUAN, Chen-ping REN, Shu-jie JIANG, Wei-wei ZHANG. Application of long short-term memory neural network (LSTM) model in low visibility forecast[J]. Journal of Meteorology and Environment, 2022, 38(5): 34-41.

图/表 9

图1

表1

图2

图3

图4

图5

图6

图7

图8

参考文献 28

1	傅刚, 李晓岚, 魏娜. 大气能见度研究[J]. 中国海洋大学学报, 2009, 39 (5): 855- 862.
2	李生才, 笑蕾. 2019年1—2月国内生产安全事故统计分析[J]. 安全与环境学报, 2019, 19 (2): 722- 724. doi: 10.13637/j.issn.1009-6094.2019.02.050
3	白志鹏, 蔡斌彬, 董海燕, 等. 灰霾的健康效应[J]. 环境污染与防治, 2006, 28 (3): 198- 201. doi: 10.3969/j.issn.1001-3865.2006.03.012
4	倪江波, 李文才, 尚可政, 等. 华北区域性低能见度天气的自动识别及预报[J]. 干旱气象, 2015, 33 (1): 174- 179.
5	魏春璇, 黄鹤, 翟振芳, 等. 合肥市霾日气象要素特征分析及预报方法研究[J]. 大气与环境光学学报, 2019, 14 (6): 419- 430.
6	夏凡, 李昌义. 基于3种能见度方案山东地区雾天气预报试验研究[J]. 气象与环境学报, 2018, 34 (3): 48- 57. doi: 10.3969/j.issn.1673-503X.2018.03.006
7	王恺, 赵宏, 刘爱霞, 等. 基于风险神经网络的大气能见度预测[J]. 中国环境科学, 2009, 29 (10): 1029- 1033. doi: 10.3321/j.issn:1000-6923.2009.10.005
8	王勇. 基于多源数据和XGBoost算法的上海市能见度预测模型研究[D]. 上海: 华东师范大学, 2019.
9	Kurt A , Oktay A B . Forecasting air pollutant indicator levels with geographic models 3 days in advance using neural networks[J]. Expert Systems with Applications, 2010, 37 (12): 7986- 7992. doi: 10.1016/j.eswa.2010.05.093
10	孙全德, 焦瑞莉, 夏江江, 等. 基于机器学习的数值天气预报风速订正研究[J]. 气象, 2019, 45 (3): 426- 436.
11	毛亚萍, 房世峰. 基于机器学习的参考作物蒸散量估算研究[J]. 地球信息科学学报, 2020, 22 (8): 1692- 1701.
12	Graves A , Schmidhuber J . Framewise phoneme classification with bidirectional LSTM and other neural network architectures[J]. Neural Networks, 2005, 18 (5/6): 602- 610.
13	杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J]. 计算机应用, 2018, 38 (S2): 1- 6.1-6, 26
14	梁军, 柴玉梅, 原慧斌, 等. 基于极性转移和LSTM递归网络的情感分析[J]. 中文信息学报, 2015, 29 (5): 152- 159.
15	陶晔, 杜景林. 基于随机森林的长短期记忆网络气温预测[J]. 计算机工程与设计, 2019, 40 (3): 737- 743.
16	王炜, 刘宏伟, 陈永杰, 等. 基于LSTM循环神经网络的风力发电预测[J]. 可再生能源, 2020, 38 (9): 1187- 1191.
17	朱乔木, 李弘毅, 王子琪, 等. 基于长短期记忆网络的风电场发电功率超短期预测[J]. 电网技术, 2017, 41 (12): 3797- 3802.
18	刘新, 赵宁, 郭金运, 等. 基于LSTM神经网络的青藏高原月降水量预测[J]. 地球信息科学学报, 2020, 22 (8): 1617- 1629.
19	刘蕾. 基于Tensorflow的循环神经网络模型在上海市空气质量预测中的应用[D]. 上海: 上海师范大学, 2019.
20	傅昭娟. "十二五"期间义乌市环境空气质量及影响因素分析研究[J]. 环境科学与管理, 2016, 41 (8): 116- 117.116-117, 134
21	俞江仙. 义乌市大气污染状况调查[J]. 环境污染与防治, 2000, 22 (2): 28- 30.
22	李佳润. 义乌市乡村经济特色及发展质量研究[D]. 舟山: 浙江海洋大学, 2020.
23	董佳丹, 陈晓玲, 蔡晓斌, 等. 基于中国大气环境监测站点的2015—2019年大气质量状况时空变化分析[J]. 地球信息科学学报, 2020, 22 (10): 1983- 1995.
24	环境保护部. 环境空气质量指数(AQI)技术规定: HJ 633-2012[S]. 北京: 中国环境科学出版社, 2016.
25	Hochreiter S , Schmidhuber J . Long short-term memory[J]. Neural Computation, 1997, 9 (8): 1735- 1780.
26	Kingma D P, Ba L J. Adam: A method for stochastic optimization[C]//3rd International Conference on Learning Representations. San Diego: ICLR, 2015: 116-130.
27	王博妮, 张雪蓉, 孙明, 等. 江苏地区雨雾天气特征及成因研究[J]. 气象与环境学报, 2020, 36 (1): 58- 66.
28	俞燎霓, 胡波, 曹美兰, 等. 浙江梅雨气候特征及其梅汛期暴雨的形势分析[J]. 科技通报, 2010, 26 (5): 782- 786.782-786, 794

空气质量分指数(IAQI)	二氧化硫(SO₂)		二氧化氮(NO₂)		一氧化碳(CO)		臭氧(O₃)		颗粒物(粒径小于等于2.5 μm)
空气质量分指数(IAQI)	24 h平均/(μg·m^-3)	1 h平均/(μg·m^-3)^①	24 h平均/(μg·m^-3)	1 h平均/(μg·m^-3)^①	24 h平均/(mg·m^-3)	1 h平均/(mg·m^-3)^①	1 h平均/(μg·m^-3)	8 h滑动平均/(μg·m^-3)	24 h平均/(μg·m^-3)	24 h平均/(μg·m^-3)
0	0	0	0	0	0	0	0	0	0	0
50	50	150	40	100	2	5	160	100	50	35
100	150	500	80	200	4	10	200	160	150	75
150	475	650	180	700	14	35	300	215	250	115
200	800	800	280	1200	24	60	400	265	350	150
300	1600	②	565	2340	36	90	800	800	420	250
400	2100	②	750	3090	48	120	1000	③	500	350
500	2620	②	940	3840	60	150	1200	③	600	500

[1]	王井利, 高天娇, 李荣平, 余鹏程, 马运涛, 米娜, 温日红, 张凯. 基于光学遥感和微波遥感的土壤水分反演模型研究[J]. 气象与环境学报, 2023, 39(1): 73-82.
[2]	马小会,徐敬,张自银,李梓铭,温维. 特高压跨区域输电对空气质量的影响研究[J]. 气象与环境学报, 2022, 38(4): 136-144.
[3]	郭伟, 朱凌云, 汪文雅, 高兴艾, 成鹏伟, 张岳军. 2019年太原青运会期间空气质量评估[J]. 气象与环境学报, 2021, 37(6): 36-43.
[4]	许敏. 中国长三角地区PM_2.5时空分布数值模拟研究[J]. 气象与环境学报, 2021, 37(4): 33-39.
[5]	李晓岚, 权维俊, 王东东, 王迪. DNQ1与FD12型能见度仪观测比对及影响因子研究[J]. 气象与环境学报, 2021, 37(3): 25-32.
[6]	周宇,韩红星,施晨晓,邢俊,孙立. 2016—2017年冬春季海南3市气溶胶质量浓度特征对比分析[J]. 气象与环境学报, 2020, 36(6): 82-90.
[7]	王扬锋,马雁军,权维俊,李荣平. 东北区域空气质量数值预报模式应用研究进展[J]. 气象与环境学报, 2020, 36(6): 130-136.
[8]	朱红蕊,刘赫男,张洪玲,尹嫦姣. 2008—2018年黑龙江省大气自净能力变化特征分析[J]. 气象与环境学报, 2020, 36(4): 89-94.
[9]	高星星, 桂海林, 潘留杰, 王楠, 王建鹏. 基于卫星遥感和地面观测资料的汾渭平原空气污染分析[J]. 气象与环境学报, 2020, 36(4): 36-44.
[10]	龙凤翔, 张瑀琳. 桂林城区大气能见度与颗粒物浓度和气象因子关系研究[J]. 气象与环境学报, 2020, 36(1): 21-27.
[11]	郑庆锋, 史军, 董广涛, 黄文娟, 徐卫忠, 王泉源. 上海地区AQI变化特征及与气象因素的相关性[J]. 气象与环境学报, 2019, 35(5): 53-62.
[12]	张滢滢, 陈明, 陈丽英. 海口市重污染天气潜在源分析研究[J]. 气象与环境学报, 2019, 35(2): 107-111.
[13]	朱红蕊, 刘赫男, 张洪玲, 尹嫦姣. 哈尔滨市空气质量特征及其与气象要素的关系[J]. 气象与环境学报, 2019, 35(1): 53-58.
[14]	朱忆萌, 郭振东. 空气加湿器对室内空气质量影响研究[J]. 气象与环境学报, 2018, 34(5): 163-168.
[15]	陆忠艳;王扬锋;蒋大凯;藤方达;丁兆敏;田莉;李忠亮. 基于气象条件的沈阳市空气质量预报方法研究[J]. 气象与环境学报, 2018, 34(4): 68-74.