大气污染对生态环境及人体健康有严重影响，因此准确预估未来大气污染物浓度具有
十分重要的科学意义，预测未来污染物浓度情况有利于提前采取污染防治措施。目前常用
的污染物预报模型WRF-CMAQ还存在–定缺陷，如受气象场模拟结果的制约等问题。为了
提高现有预报模拟的准确性，本文首先根据六种常见大气污染物的实际观测浓度，计算空
气质量指数及相应的首要污染物:然后针对不同的气象条件，分别讨论不同情况下对污染
物浓度和空气质量指数的影响情况，进行气象条件的合理分类。此外，本文以WRF-CMAQ
模型模拟结果作为- -次预报数据，结合实际观测数据，建立二次预报模型，预报未来三天
三个监测站点A、B、C的常规污染物浓度、AQI 以及首要污染物:最后，考虑相邻区域污
染物浓度的相关性，建立区域协同预报，结合反距离权重法建立LSTM模型，预测未来三
天的污染物浓度、空气质量指数以及首要污染物。

针对问题一-:空气质量指数常用于描述空气污染程度，通过六种常规大气污染物建立
空气质量指数计算模型，求得给点监测点A未来四天的每日实测AQI和首要污染物。结果
显示，这四天每日实测AQI先减小后增大，在8月28日达到138，除8月26日外，其余.
三日的首要污染物均为03。

针对问题二:通过阅读相关参考文献和相关分析，发现空气质量指数及各污染物浓度
主要受温度、湿度、压强和风速这些气象要素的影响。利用多元线性回归模型分别建立AQI
与各气象条件、各污染物与各气象条件之间的定量表达式。除PM2.5的拟合优度较小外，
其他模型具有较好的解释能力。根据相关分析以及多元线性归回模型，将气象条件分为了
高影响类气象条件及低影响类气象条件，湿度与风速属于高影响类气象条件，温度与压强
属于低影响类气象条件。

针对问题三: WRF-CMAQ 模型输出的污染物浓度与真实值偏差较大，利用实际观测数
据对一-次预报模拟数据进行修正。本文将一次模拟的气 象要素以及对应时间的实际观测污
染物浓度数据进行数据预处理、归- -化等操作，利用长短期记忆人工神经网络LSTM对时
间序列数据集的高可预报性，建立污染物浓度的二次预报模型，结果表明该模型模拟效果
良好。对三个监测站点的日AQI预测结果在40-100之间，首要污染物主要为03。

针对问题四:相邻区域污染物浓度具有一定的相关性，基于地理学第- -定律， 本文根
据各监测点的地理位置进行反距离权重插值，结合问题三中的LSTM模型建立区域协同预
报模型。结果表明模拟精度有所提升，并解决了部分在利用ISTM模型模拟问题三数据时
出现的极大极小值问题。

关键词:空气质量指数，多元线性回归模型，深度学习模型，LSTM，反距离权重插值

链接：https://pan.baidu.com/s/1iYby4k3KtzLndg46Qyj8Og?pwd=89sp
提取码：89sp