基于深度學(xué)習(xí)的淮安地區(qū)臭氧濃度預(yù)報模型評估

孫達云 王騰飛 郭偉震 葛于兵

（1.淮安市氣象局，江蘇 淮安 223001；2.淮安市淮安區(qū)氣象局，江蘇 淮安 223200）

1 引言

臭氧主要分布在平流層。平流層的臭氧能夠吸收太陽輻射中的紫外線，保護地球上的生物。對流層的臭氧約占總量的1/10，也稱近地面臭氧。對流層的臭氧含量雖然少，但其對生物的生存產(chǎn)生一定程度的負面影響。近地面臭氧濃度較高時，植物的發(fā)育會受到影響，植物發(fā)病的概率增加，產(chǎn)量隨之下降［1］。臭氧還會影響人類的呼吸系統(tǒng)，損害人類的呼吸道和肺器官［2］。對流層臭氧的來源主要是氮氧化物（NOX）和揮發(fā)性有機物（VOCs），通過一系列光化學(xué)反應(yīng)生成。

Sohn 等［3］使用BP 網(wǎng)絡(luò)來預(yù)報韓國首爾市的臭氧濃度，將氣象要素和環(huán)境要素作為輸入、未來6 個時次的臭氧濃度作為輸出。蘇筱倩等［4］利用支持向量機回歸方法（SVR），利用高臭氧濃度期間的氣象資料、臭氧前體物和臭氧濃度，完成南京工業(yè)區(qū)小時臭氧濃度的預(yù)報。

近地面臭氧濃度升高會帶來光化學(xué)污染等一系列問題，而解決這些問題的一個前提是提高臭氧預(yù)報模型的精度。好的臭氧預(yù)報模型有助于提高臭氧預(yù)報的精度。當(dāng)向公眾發(fā)布臭氧超標(biāo)預(yù)警時，預(yù)警的時效性和準(zhǔn)確性越高，預(yù)警所產(chǎn)生的社會效益越高，尤其是對空氣污染特別敏感的人群。同時，臭氧預(yù)報精度的提高，也有助于政府部門提前采取針對空氣污染的管控策略。

本文通過深度學(xué)習(xí)算法，利用其對非線性關(guān)系的學(xué)習(xí)能力，結(jié)合各類氣象要素和環(huán)境要素數(shù)據(jù)，實現(xiàn)對近地面臭氧的預(yù)報，能較好地預(yù)報淮安地區(qū)近地面臭氧濃度，可以作為空氣質(zhì)量預(yù)報的一種補充。

2 資料與方法

本文的環(huán)境數(shù)據(jù)采用2016—2020 年淮安地區(qū)的小時O3，NO2，CO，PM2.5，PM10濃度數(shù)據(jù)，數(shù)據(jù)來源于中國環(huán)境監(jiān)測中心。氣象數(shù)據(jù)采用2016—2020 年淮安國家基準(zhǔn)氣候站的小時數(shù)據(jù)，包括溫度、相對濕度、風(fēng)速、降水、氣壓、輻照度和曝輻量。

氣象和環(huán)境數(shù)據(jù)按照同一時間進行組合。由于數(shù)據(jù)存在缺失值和異常值，為了保證模型訓(xùn)練的數(shù)據(jù)質(zhì)量，對某一時刻存在缺失值或異常值的數(shù)據(jù)予以剔除。將保留下來的數(shù)據(jù)，根據(jù)深度學(xué)習(xí)模型要求，產(chǎn)生時間序列數(shù)據(jù)。

門控循環(huán)單元（GRU）是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的變體之一。GRU 由重置門（Reset Gate）和更新門（Update Gate）構(gòu)成。相比于長短期記憶網(wǎng)絡(luò)（LSTM），GRU 的構(gòu)成更為簡單，因此GRU 的訓(xùn)練時間更短、效率更高。Seq2seq 模型是一種深度學(xué)習(xí)算法，由谷歌公司于2014 年開發(fā)，主要用于語言翻譯、自動摘要等。Seq2Seq 模型由編碼器和解碼器組成。編碼器和解碼器通常由RNN 組成，常見的是LSTM 和GRU［5］。Seq2Seq 模型的輸入和輸出均為序列，并且允許輸入和輸出的時間序列長度不同。編碼器、解碼器都有輸入端、輸出端和狀態(tài)端。編碼器接收輸入序列，并將其產(chǎn)生的狀態(tài)傳遞給解碼器。解碼器的輸入端接收待解碼序列，并結(jié)合狀態(tài)在輸出端輸出解碼序列。

利用“注意力機制”下的Seq2Seq 模型進行臭氧濃度預(yù)報時，考慮用過去24 h 的實況值來預(yù)報未來4 h 的小時臭氧濃度。小時臭氧濃度模型的編碼器端輸入的是預(yù)測時間之前24 h 的氣象和環(huán)境要素數(shù)據(jù)，解碼器端輸入的是預(yù)報前一時刻的臭氧濃度值，輸出的是預(yù)報時刻的臭氧濃度值。氣象要素數(shù)據(jù)包括溫度、相對濕度、風(fēng)速、降水、氣壓、輻照度和曝輻量，環(huán)境要素數(shù)據(jù)包括O3，NO2，CO，PM2.5和PM10。

訓(xùn)練集的數(shù)據(jù)是2016—2019 年的數(shù)據(jù)，測試集的數(shù)據(jù)是2020 年的數(shù)據(jù)。預(yù)報結(jié)果評估主要是測試集的實況值與預(yù)報值之間的差異。評價指標(biāo)包括皮爾遜相關(guān)系數(shù)（PCC）、平均絕對誤差（MAE）和均方根誤差（RMSE）。

3 臭氧與影響因子的相關(guān)性

一般來說，太陽輻射越強，氣溫越高，同時太陽輻射強度與臭氧的光化學(xué)反應(yīng)速率是正相關(guān)，所以氣溫與近地面臭氧含量也具有相關(guān)性。通過2016—2020 年氣溫與臭氧數(shù)據(jù)的統(tǒng)計分析，得出兩者之間的相關(guān)系數(shù)為0.58，達到0.001 顯著性水平。

相對濕度與空氣中的水汽含量有關(guān)，相對濕度越高，空氣中的水汽含量越高。有研究表明，相對濕度較高時，水汽中的O，OH 等自由基能夠?qū)3分解成氧分子，使得臭氧濃度下降［6］。同時，相對濕度較高時，降水的可能性增大，降水的濕清除功能造成臭氧濃度下降［7］。兩者相關(guān)系數(shù)為-0.49，達到0.001 顯著性水平。

地面氣壓與臭氧濃度的擴散相關(guān)。一般來說，地面是高壓控制時，天氣晴朗少云，城市的氣流一般是從城市中心向城市外圍運動，從而將城市中的污染物帶走，使得臭氧濃度下降。而當(dāng)?shù)孛媸堑蛪嚎刂茣r，氣流一般是從城市外圍向城市中心運動，從而導(dǎo)致臭氧在城市中心集聚，臭氧濃度上升。兩者相關(guān)系數(shù)是-0.41，達到0.001 顯著性水平。

降水能夠?qū)η绑w物和臭氧起到凈化作用，同時降水時太陽輻射弱，不利于光化學(xué)反應(yīng)，導(dǎo)致臭氧濃度低［8］。兩者相關(guān)系數(shù)為-0.015，達到0.01 顯著性水平。

風(fēng)速的大小影響著污染的水平和垂直方向的輸送。有研究表明，風(fēng)速較小時，向下的輸送導(dǎo)致近地面臭氧濃度上升，而當(dāng)風(fēng)速增大時，水平擴散會導(dǎo)致近地面臭氧濃度降低。風(fēng)速達到一定值時，向下輸送和水平擴散使得二者的作用相互抵消。隨著風(fēng)速進一步增大，臭氧濃度呈下降趨勢［9］。兩者相關(guān)系數(shù)為0.24，達到0.001 顯著性水平。

NO2是臭氧生成的前體物，主要來源包括化石燃料燃燒和生物排放。兩者的相關(guān)系數(shù)為-0.47，達到0.001 顯著性水平。

CO 主要來自汽車尾氣排放及工業(yè)生產(chǎn)排放。CO 有助于臭氧的生成。兩者的相關(guān)系數(shù)為-0.22，達到0.001 顯著性水平。

臭氧的生消與顆粒物是相關(guān)的。首先，顆粒物影響大氣光學(xué)厚度，從而影響太陽輻射，進而影響臭氧的光化學(xué)反應(yīng)。顆粒物濃度較大時，大氣光學(xué)厚度增加，NO2光解下降，OH 和HO2自由基減少，臭氧濃度下降［10］。同時，顆粒物為化學(xué)反應(yīng)提供了場所［11］。PM2.5與臭氧濃度的相關(guān)系數(shù)為-0.25，達到0.001 顯著性水平。PM10與臭氧濃度的相關(guān)系數(shù)為-0.14，達到0.001 顯著性水平。

4 臭氧預(yù)報系統(tǒng)的性能檢驗

臭氧污染與人們的生產(chǎn)生活有著密切關(guān)系，因此臭氧濃度的及時準(zhǔn)確預(yù)報有著重要意義。

為了驗證預(yù)報模型的可行性，可以通過預(yù)報模型的輸出結(jié)果與真實監(jiān)測結(jié)果的接近程度來衡量，而接近程度可以通過各項指標(biāo)來量化體現(xiàn)。下面將預(yù)報模型輸出的近地面臭氧濃度與真實監(jiān)測臭氧濃度的結(jié)果進行對比分析。

測試集的輸出值與真實值的各項指標(biāo)如下：RMSE 介于8.36～23.66 μg/m3之間，MAE 介于6.11～18.03 μg/m3之間，PCC 介于0.96～0.64 之間。對于1～4 h 的預(yù)測，1 h 的預(yù)測值效果最好，RMSE 和MAE最小，PCC 最大，表明預(yù)測值與觀測值具有較強的線性相關(guān)性。隨著預(yù)測時間的增加，RMSE 和MAE 逐漸增大，PCC 逐漸減小，預(yù)測值與觀測值的差值越來越大，這是因為當(dāng)前小時的預(yù)測值依賴于前一小時的預(yù)測值，前一小時的偏差會在當(dāng)前小時被放大。對于4 h 的預(yù)測，盡管RMSE 和MAE 分別為23.66 μg/m3和18.03 μg/m3，但PCC 仍大于0.6。小時臭氧濃度實況值—預(yù)報值分布見圖1，從圖1 來看，臭氧濃度預(yù)報模型可以有效地預(yù)測近地面臭氧濃度。

圖1 小時臭氧濃度實況值—預(yù)報值分布

5 結(jié)論與展望

根據(jù)2016—2020 年的氣象和環(huán)境要素分析可以得出，臭氧濃度與氣象要素和環(huán)境要素的關(guān)系是多樣的，臭氧與氣溫、風(fēng)速整體上呈正相關(guān)，與相對濕度、氣壓、降水量、NO2、CO、PM2.5、PM10整體上呈負相關(guān)。“注意力機制”下的Seq2Seq 模型在預(yù)報4 個小時的臭氧濃度上效果較好，相關(guān)系數(shù)大于0.6。整體而言，模型可以在小時臭氧濃度的預(yù)報上發(fā)揮一定的作用。未來還需要在模型結(jié)構(gòu)、超參數(shù)等方面進一步的優(yōu)化，以取得更好的預(yù)報效果。