成果简介

近日，课题组吴翠林等人在Environmental Pollution期刊（环境领域JCR一区期刊，影响因子（IF）为9.99），发表题为“A hybrid deep learning model for regional O3 and NO2 concentrations prediction based on spatiotemporal dependencies in air quality monitoring network”的学术论文。该工作基于上海市空气质量监测网络数据、气象数据和地理信息，结合空气质量监测网络的时序周期性和空间相似性特征，构建一种深度学习混合模型Res-GCN-BiLSTM对空气质量监测网络中的时空信息进行自适应融合和学习，实现了城市区域的两种交通污染物浓度的精细化预测。

图1图摘要

引言

对流层O3因其对人类健康、生态系统和环境的严重有害影响而引起了公众的广泛关注。NO2是另一种交通污染物，也是O3最重要的前体物之一。尽管政府在减少污染物排放方面已经做出了相当大的努力，但极端O3污染事件仍然频繁发生。其中，上海是经济最发达、能源需求最大的特大城市，不可避免地存在严重的O3污染。因此，准确地的区域O3和NO2预测对污染防治政策设计和实施，降低污染暴露水平，保护公众健康都具有重要的意义。此外，高分辨率环境数据有助于增强生态环境系统的数字化治理能力，加快城市数字化发展目标的实现。然而，现有的区域大气污染预报模型未能充分地利用污染物的先验知识，如时变性和空间依赖性等，导致大气污染预测精度不足。为了实现O3和NO2的区域精准预测目标，本文首先利用自相关分析和聚类分析两种统计模型对污染物监测网络的时空特征规律进行识别和分析。然后，将总结得到的时空规律融入到深度学习模型中，并融合城市气象数据和地理信息，以提供准确的区域空气质量估计。

主要成果及结论

为了理清污染物的周期模式，我们首先从污染物日变化模式上进行直观感知，然后利用自相关分析进行精准识别。结果发现：三类监测站NO2和O3时间序列均存在明显的24小时周期性。另外，交通站污染物周期性显著低于城区和郊区。

图2三类监测站交通污染物的时间变化分析

为了识别污染物监测网络的空间依赖性，我们采用层次聚类算法进行分析。结果发现：NO2和O3监测网络均呈现空间相似性模式，为今后利用周边站点代替现场测量估算污染物浓度提供了依据。

图3 交通污染物的空间聚类分析

为了评估Res-GCN-BiLSTM模型的空间预测能力，采用kriging插值法对上海市不同地理位置的观测值和RMSE的空间分布进行了比较。结果发现：NO2较高的RMSE值集中在上海市区，这主要是由于该地区机动车排放密集，导致NO2日变化幅度较大。相比之下，东部地区O3的预测误差较大。

图4 模型预测性能分析

小结

本研究充分考虑空气质量监测网络的时空相关性，提出了一种新的基于深度学习的混合模型Res-GCN-BiLSTM，用于区域NO2和O3浓度的短时预测。为了提高预测性能，该模型对空气质量监测网络中的空间拓扑信息进行自适应学习。此外，还融合了与污染物浓度变化有关的辅助空气污染数据和气象信息。实验结果表明，该模型能够有效地预测区域NO2和O3浓度，且在精度方面优于其他模型。

论文链接

https://doi.org/10.1016/j.envpol.2023.121075

论文引用方式

Wu, C. L., He, H. D., Song, R. F., Zhu, X. H., Peng, Z. R., Fu, Q. Y., & Pan, J. (2023). A hybrid deep learning model for regional O3 and NO2 concentrations prediction based on spatiotemporal dependencies in air quality monitoring network. Environmental Pollution. 121075.

第一作者：吴翠林 博士研究生

研究方向：城市计算 城市时空大数据分析

个人照片：