《Advances in Space Research》:Multi-Horizon Forecasting of PM
2.5 Concentrations in Delhi Using a CNN-LSTM Hybrid Deep Learning Model
编辑推荐:
摘要德里仍是全球污染最严重的特大城市之一,空气中细颗粒物(PM2.5)浓度极高,给环境和公共健康带来了严重威胁。传统的统计方法如ARIMA和多元线性回归模型,难以准确描述大气过程的非线性和时空复杂性。本研究基于卷积神经网络(CNN)和长短期记忆网络(LSTM)构建混合深度学习模型
摘要
德里仍是全球污染最严重的特大城市之一,空气中细颗粒物(PM2.5)浓度极高,给环境和公共健康带来了严重威胁。传统的统计方法如ARIMA和多元线性回归模型,难以准确描述大气过程的非线性和时空复杂性。本研究基于卷积神经网络(CNN)和长短期记忆网络(LSTM)构建混合深度学习模型,整合德里的空气质量与气象数据,用于预测1天、3天、7天和30天内的PM2.5浓度。该模型使用了涵盖10年的多变量数据集,其中包括温度、相对湿度、风速和风向、太阳辐射、气压以及降雨量等气象参数。在模型训练前,需要对输入数据进行误差校正、插值、范围归一化和滑动窗口处理。CNN模块用于提取空间模式,而LSTM则用于识别时间规律。通过计算平均绝对误差、均方根误差、平均百分比误差以及R2值来评估模型性能。结果表明,CNN–LSTM模型的性能优于单独的深度学习模型,1天、3天、7天和30天的R2值分别为0.980、0.962、0.957和0.941。这一研究结果体现了该模型在复杂城市大气环境中的可靠性、精准度及可扩展性,为空气质量管理、健康风险评估以及预警系统提供了实用有效的工具。
引言
多年来,德里已成为世界上污染最严重的特大城市之一。空气污染已成为该市严重的环境问题(Chetna等人,2024年)。主要污染物包括颗粒物(PM10和PM2.5)、二氧化氮(NO2)、二氧化硫(SO2)、一氧化碳(CO)和臭氧(O3)(Doreswamy等人,2020年)。德里的颗粒物污染水平一直居高不下,尤其是PM2.5浓度持续偏高,使其成为污染最严重的地区。由于其对健康的危害,尤其是当其浓度超过国家空气质量标准时,PM2.5是最值得关注的污染物。这些直径小于或等于2.5微米的细颗粒物能够深入人体呼吸系统,引发严重的心血管和呼吸系统疾病(He和Guo,2024年)。PM2.5质量浓度常被用来表示健康风险以及整体空气污染程度。德里空气质量下降的一个主要原因在于汽车密度的不断增加。燃煤发电厂的排放、工业发展以及日益增长的能源需求进一步加剧了污染状况。来自干旱地区的远距离尘埃传输以及家庭生物质燃烧也使得污染控制更加困难。据估计,仅2019年全球就有667万人因空气污染而死亡(Ejohwomu等人,2022年)。PM2.5与多种慢性疾病密切相关,如2型糖尿病、呼吸系统疾病、肺癌以及心血管问题(Barthwal等人,2023年)。此外,高浓度的颗粒物还会干扰卫星对地表植被覆盖、陆地温度以及城市扩张等参数的测量。尽管在德里这样人口密集的地区实施1981年的《空气(污染防治)法》仍面临诸多困难,但它仍是确保空气质量符合国家标准的重要手段。
颗粒物(PM)由水溶性无机离子成分(硫酸盐、硝酸盐、氯和铵)、有机碳(OC)以及元素碳(EC)组成。德里的颗粒物主要来源包括灰尘和建筑活动、二次气溶胶、工业以及交通领域。根据地球科学部、印度汽车研究协会以及能源资源研究所2018年发布的新的排放清单,交通领域是德里PM2.5的主要来源,占比达41%,其次是重新悬浮的灰尘,占比21.5%,工业领域占比18.6%,其余11%的来源包括砖窑、火葬场、城市固体废物的露天焚烧、航空业以及固体废物处理厂等。先前的研究指出,土壤尘埃、车辆排放、生物质燃烧以及二次气溶胶是PM2.5的主要来源,这几种因素共同导致了15%到24%的PM2.5浓度,而城市固体废物的露天焚烧则约占德里PM2.5总浓度的5%到11%。硫酸盐、硝酸盐、铵和氯等水溶性离子可占据PM2.5排放量的50%左右(Suleiman等人,2019年;Vignesh等人,2023年)。二次无机气溶胶则导致了27%的PM2.5浓度,且在夏季和冬季,二次硫酸盐和二次硝酸盐的贡献分别有所增加。生物质燃烧会释放PM2.5,而交通排放则是主要的污染源之一(Cai等人,2023年;Chetna等人,2024年)。
气象因素通过影响颗粒物在大气中的扩散、传输、化学变化、稀释以及光化学反应,从而在各个时间尺度上影响其浓度(Guo等人,2023a;He等人,2025a),此外,初级和次级污染源的排放也会对颗粒物浓度产生影响。这些天气条件还会促使某些化学过程发生,进而影响臭氧和二次气溶胶的浓度。在新冠疫情期间,基础污染水平与气象条件之间的关系得到了充分体现,温度、风速、湿度、降雨量以及太阳辐射等因素都会影响PM2.5的动态变化(Chen等人,2020年)。例如,冬季的低温会导致气温逆温现象,使得污染物无法向上扩散,从而在近地面区域聚集;而平静的气流则会降低颗粒物的水平扩散,过高的湿度则有利于二次颗粒物的形成。另一方面,降雨可以通过湿沉降的方式去除PM2.5,因此在雨季期间,污染水平会显著下降(Barthwal等人,2023年)。
德里是全球污染最严重的城市之一,其PM2.5浓度往往处于危险水平,对公众健康造成严重影响。冬季由于天气状况的影响,污染程度更为严重。为预测PM2.5浓度,许多研究采用了ARIMA和多元线性回归等传统统计模型(Singh等人,2024年和2021年)。PM2.5浓度预测是一个非线性的多变量问题,各预测变量之间存在复杂的耦合关系,因此实现精确预测是一项艰巨的任务(Guo等人,2023a)。由于机器学习和深度学习方法在处理复杂关联结构方面具有更强的能力,近年来这类方法越来越受到重视(Barthwal等人,2023年;Zandi等人,2025年)。在仅有几年数据的情况下,气象变量中存在一些容易被忽视的地理相关性,尤其是在使用独立的LSTM模型时,这种相关性更为明显(Kristiani等人,2022年)。相较于其他模型,独立的ANN、RNN、LSTM和CNN在捕捉环境预测中的复杂非线性关系方面效果较差(Guo等人,2024b)。目前的研究大多要么专注于短期预测,要么只研究特定的季节性现象,这限制了模型的通用性(He等人,2025a;Guo等人,2024b)。本研究提出了一种基于序列预测框架的混合深度学习模型(CNN–LSTM),用于预测德里的PM2.5浓度。LSTM层用于捕捉时间上的依赖关系,而CNN部分则用于提取多变量输入数据中的空间相关性。实验结果表明,从预测性能和通用性来看,该模型都优于单一层的深度学习模型以及传统统计模型(Kristiani等人,2022年;Zandi等人,2025年)。本研究的主要目标是开发一种既可靠又高效的CNN-LSTM深度融合学习模型,用于预测德里的PM2.5浓度。通过纳入10年的数据,可以实现对空气质量与天气之间高维时空相关性的建模。构建能够预测未来1天、3天、7天和30天PM2.5浓度的模型是本研究的重要方向。此外,本研究还旨在通过与其他常规及深度学习模型对比,验证所提模型的有效性。
章节要点
研究地点与数据说明
印度的首都德里位于该国北部,是一片广阔的都市区域。德里三面与哈里亚纳邦接壤,东面与北方邦相邻,面积达1483平方公里,海拔高度为216米。该城地处北纬28.4°至28.9°、东经76.8°至77.3°之间(Kumar等人,2024年;Verma等人,2024年)。作为世界人口密度最高的城市之一,德里由于快速城市化进程,面临着严重的空气质量问题。
PM2.5与气象参数的相关性分析
这张相关性热图展示了2015年至2024年间德里的PM2.5浓度与各类气象参数之间的关联关系(见图5)。该热图直观地呈现了PM2.5浓度与温度(摄氏度)、相对湿度(百分比)、风速(米/秒)、风向(度)、太阳辐射(瓦/平方米)、气压(毫米汞柱)以及降雨量(毫米)等多种气象因素之间的关联程度(Guo等人,2023a;He等人,2022年)。
结论
本研究采用混合CNN-LSTM模型对德里的PM2.5浓度进行预测,该模型能够同时捕捉空气质量数据中的空间模式和时间规律。通过利用10年的PM2.5数据及气象参数数据,该模型在1天、3天、7天和30天等多个时间跨度内均表现出稳定的预测性能,其表现优于LSTM、Bi-LSTM、GRU和CNN等传统模型。与Bi-LSTM相比,CNN-LSTM模型在预测精度方面更具优势。
资金支持
本研究未获得任何机构或部门的专项资助。
数据可用性
本研究期间并未生成新的数据集。
未引用参考文献
Chetna,2024年;Singh等人,2021年。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的财务利益冲突或个人关系。
Himanshu Ranjan|Pradeep Kumar Verma|Manoj Kumar Yadava|Sushant Kumar