| 基于因果分析与CNN模型的临汾市O3浓度预测 |
| Prediction of O3 Concentration for Linfen City Based on Causality and CNN Model |
| 投稿时间：2025-10-13 修订日期：2025-10-29 |
| DOI：10.19316/j.issn.1002-6002.2025.S1.05 |
| 中文关键词: O3 收敛交叉映射 空间特征 卷积神经网络 浓度预测 |
| 英文关键词:O3 convergent cross mapping spatial features convolutional neural network (CNN) concentration prediction |
| 基金项目:国家重点研发计划(2023YFC3705603);大气重污染成因与治理攻关项目(DQGG202111) |
| 作者 | 单位 | | 宋朕 | 中国环境科学研究院大气环境研究所, 北京 100012
中国环境科学研究院环境基准与风险评估国家重点实验室, 北京 100012 | | 营娜 | 中国环境科学研究院大气环境研究所, 北京 100012
中国环境科学研究院环境基准与风险评估国家重点实验室, 北京 100012 | | 王璟煦 | 中国环境科学研究院大气环境研究所, 北京 100012
中国环境科学研究院环境基准与风险评估国家重点实验室, 北京 100012 | | 朱向哲 | 中国环境科学研究院大气环境研究所, 北京 100012
中国环境科学研究院环境基准与风险评估国家重点实验室, 北京 100012 | | 薛志钢* | 中国环境科学研究院大气环境研究所, 北京 100012
中国环境科学研究院环境基准与风险评估国家重点实验室, 北京 100012 |
|
| 通讯作者:薛志钢* 中国环境科学研究院大气环境研究所, 北京 100012;中国环境科学研究院环境基准与风险评估国家重点实验室, 北京 100012 |
| 摘要点击次数: 366 |
| 全文下载次数: 146 |
| 中文摘要: |
| 近年来,我国O3浓度上升明显。临汾市既是我国三大焦煤生产基地之一,又属于大气污染防治重点区域,因此开展临汾市O3浓度预测研究对于该区域O3污染防控以及空气质量进一步改善具有重要意义。基于2020—2022年临汾国控点的污染物监测数据及气象数据,采用因果分析方法研究站点间的O3空间分布及联系,通过卷积神经网络(CNN)模型预测未来O3浓度。结果显示,因果分析可为模型筛选空间特征,使结合该空间特征构建的预测模型CNN-1的预测精度得到有效提升。临汾市各站点间存在显著的O3传输规律,市委与城南两个站点对其他站点影响大,临钢医院站点受其他站点影响较小。所构建的CNN模型在夏秋季拟合更佳。削减市委和城南站点的O3浓度,可有效改善临钢医院站点的空气质量。该方法可精准识别O3传输源,为准确预测并提前应对O3污染提供技术支撑。 |
| 英文摘要: |
| In recent years,there has been a marked increase in O3 concentrations in China.As one of the China's three major coking coal bases and a key area in the national strategic layout for air pollution prevention and control,research on O3 concentration prediction in Linfen City is of significant importance for controlling local O3 pollution and further improving regional air quality.Based on pollutant monitoring data and meteorological data from national control sites in Linfen City from 2020 to 2022,this study applies causal analysis methods to examine the spatial distribution and interconnections of O3 among monitoring sites.A Convolutional Neural Network (CNN) model is employed to predict future O3 concentrations.The results show that causal analysis helps screen spatial features for the model,and by integrating these features,a predictive model termed CNN-1 is developed to enhance forecasting accuracy.This study reveals notable O3 transport patterns among the sites in Linfen City:the Municipal Committee and Chengnan sites exhibit considerable influence on other sites,whereas the Lingang Hospital site is relatively less affected by others.The established CNN model demonstrates better fitting performance in summer and autumn.The research indicates that reducing O3 concentrations at the Municipal Committee and Chengnan sites can effectively improve air quality at the Lingang Hospital site.This proposed method can accurately identify O3 transport sources and facilitate early prediction and response to O3 pollution. |
| 查看全文 查看/发表评论 下载PDF阅读器 |
|
|
|
