太原市PM_(2.5)浓度的气象特征影响分析及预报_李明明.pdfVIP

环境科学第４４卷第２期２０２３年２月

Ｅｃｏ⁃Ｅｎｖｉｒｏｎｍｅｎｔａｌ

ＫｎｏｗｌｅｄｇｅＷｅｂＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅＶｏｌ．４４，Ｎｏ．２Ｆｅｂ．，２０２３

太原市ＰＭ２.５浓度的气象特征影响分析及预报

∗

李明明，王雁，闫世明，陈玲，韩照宇

（山西省气象科学研究所，太原０３０００２）

摘要：利用２０１６～２０２０年太原市污染物浓度资料、以及国家基准气象观测站的同期地面气象资料，重点分析了太原市ＰＭ２.５

浓度的变化特征以及湿度、降水、风和混合层厚度等气象条件对ＰＭ浓度的影响，同时探讨了污染物浓度变化的成因，建立

２.５

基于ＬＳＴＭ神经网络的ＰＭ浓度预报模型．结果表明，２０１６～２０２０年太原市区冬季出现的重污染天数最多，其中２０１７年冬季

２.５

出现天数最多为２８ｄ，ＰＭ浓度总体呈现出秋冬季节高，春夏季节低，周末ＰＭ浓度高于工作日浓度，ＰＭ浓度日变化大致

２.５２.５２.５

呈现双峰型分布，分别出现在０９：００左右和２３：００至翌日０１：００．除相对湿度和冬季气温外，其余气象要素与ＰＭ浓度在四季

２.５

均表现为负相关．影响太原市区ＰＭ浓度升高的污染源主要位于其ＮＥ⁃ＥＮＥ⁃Ｅ方向，西北部地区的相对不明显．汛期当达到

２.５

中雨（降水量≥１０ｍｍ）以上级别的降水都对ＰＭ浓度降低有明显效果．大气混合层高度增加对于ＰＭ在垂直方向的扩散和

２.５２.５

稀释非常有利．冬季强偏西北向气流，相对湿度低，地面处于高压控制，混合层高度高，属于最利于ＰＭ浓度降低的类簇．采

２.５

２２

用ＬＳＴＭ模型建模，ＰＭ浓度预测的Ｒ高达０.９５，显著优于传统树模型和线性回归模型（Ｒ＜０.６０），预测结果残差接近正态

２.５

－３

分布，其中８４.２％预测结果的绝对误差低于２０μｇ·ｍ，模型的ＭＡＥ、ＭＡＰＥ和ＲＭＳＥ分别为３８.１７、１７.１９％和２０.６．

关键词：长短时记忆神经网络（ＬＳＴＭ）；气象特征；机器学习；ＰＭ浓度；预报；ｋ均值聚类；太原