Page 146 - 生态环境保护与环境监测研究

生态环境保护与环境监测研究

据间的相关性，对空气质量数据进行精细化处理，进一步提升预测准确率。
目前大部分对空气质量的研究都主要集中于其时序多元化方面，对其空间地

域方面的研究涉猎较少。但实际上，由于风速、风向等因素，某一地区空气质量
的好坏也会受到相邻地区的影响。在研究空气质量时序性方面的预测中已经发现

拥有了多维的影响因子，继续将其空间特性考虑进去，势必会造成更为复杂的数
据量，相比其他方法，更适合应用深度学习对其进行研究。

（三）存在问题
1. 空气质量预测技术发展迅速，技术门槛不断提高，使用成本不断增加

数值模拟是空气质量预测技术的主流方法，其经过三代模型迭代，已形成成
熟的技术体系，即嵌套气象场模拟—网格化排放清单制作—空气质量模拟，气象

场是模型的驱动场，网格化排放清单把各类污染源排放按照一定机制分配到网格
中，污染物浓度模拟是使用模型对大气环境中的复杂大气物理、大气化学反应进

行模拟。随着计算机技术的发展，空气质量预测技术门槛不断提高，构建一套大
气污染物浓度数值模拟与预测技术体系需要完成模型集成部署、代码编译、参数

化方法调试、模型运行和结果验证等步骤，以上均需要在基于 Linux 系统的高性
能计算服务器上开展，是一个计算机科学、大气科学和环境科学等多学科交叉的

领域，对于模型使用者的综合能力要求较高；基于统计理论的机器学习等方法，
对于大气环境的复杂反应机理知识要求不高，但要求模型使用者可以有机地结合

统计与算法理论，正确、准确地使用、调试各类机器学习算法，从数据的角度发

现历史数据分布、发展、运行的规律，从而对未来进行模拟预测。机器学习模型
的性能与超参数直接相关，超参数是在建立模型时用于控制算法行为的参数，超

参数调优的越好，得到的模型就越好，超参数调整的过程不确定性较大，不同参
数组合下的模型运行结果往往无法重复。另外，决策机构和管理机构对于空气质

量预测的速度和准确度需求不断提高，对于数值模拟来说是投入更多、更快的高
性能计算机服务器，对于统计学习来说是输入大量的历史数据、使用更复杂的迭

代算法，以上都会极大地增加空气质量预测的成本。

138