Page 143 - 生态环境保护与环境监测研究

第六章 空气质量预测预报

EUROS 模型、法国的 CHIMERE 模型、英国的 YourAir 系统等，第三代模型普
遍适用于中尺度模拟范围，该模型可以同时模拟多种大气污染物，如颗粒物质

（PM 、PM ）、气态物质（一氧化碳、二氧化氮等）在不同空间尺度范围内的行
2.5
10
为过程，突破了传统模型只针对单一物种的模拟情况。由于该模型应用了较先进
的计算机软硬件使得模拟结果更加的高效且精确，并趋于多元化。目前主流的空
气质量预测模型中仍然存在着第三代空气质量模型的身影，诸如 CAMx、WRF-

Chem 等。
按照尺度划分，可将第一代、第二代、第三代空气质量模型划分为城市模

型、区域模型以及全球模型；按照机理来分，可以分为统计模型和数值模型，其
中，统计模型是以大量数据为基础以此来建立统计分析，数值模型则是采用数学

抽象的方式对污染物在大气运动过程进行建模。随着模型的不断迭代更新，虽然
在预测准确度方面也逐步在提高，但对设备、数据格式内容等要求也越来越高。

由于数值预报方法对数据要求较高，计算过程较为复杂，而统计预测方法与
数值预报法相比，对数据要求和硬件设施要求不高，操作较为简单，于是学者们

开始使用统计方法对空气质量进行预测。统计模型包括线性回归模型、同期回归
模型、逻辑回归模型等。由于空气质量数据是典型的非线性数据，传统的方法难

以很好拟合其特征，随着机器算法、深度学习算法在图像、语音识别等方面取得
了不错的佳绩，研究者们纷纷将算法应用到预测方面进行研究，常用的机器学

习算法包括：BP 神经网络、小波神经网络、Elman 神经网络、随机森林、SVR、

SVM 等。深度学习模型有深度信念网络、卷积神经网络（CNN、GCN 等）、循环
神经网络（LSTM、GRU 等），在预测方面初步取得了不错的效果。

针对空气质量中某种污染物预测研究方面，Rahimi 等人提出基于 ANN 和多
元线性回归方法应用于二氧化氮和氮氧化物的短期预测中，结果显示 MLP 神经

网络预测准确度比线性模型要高。Castelli 等人提出使用 RBF-SVR 模型对空气污
染物进行小时预测。Yuchi 等人提出使用多元线性回归和随机森林回归对孕妇室
内 PM 2.5 进行预测，结果显示融合随机森林及多元线性回归方法具有较好的预测

135