Группа исследователей под руководством профессора Се Пинхуа из Хэфэйского института физических наук Китайской академии наук разработала новую модель прогнозирования концентрации приземного озона в районах Северо-Китайской равнины (NCP) и дельты реки Янцзы (YRD).
Для создания модели используется структура последовательной свёрточной сети с длинной краткосрочной памятью (CNN-LSTM), которая объединяет пространственно-временные метеорологические характеристики. Это позволяет устранить ключевые ограничения существующих методов прогнозирования.
Результаты исследования, [опубликованные](https://doi.org/10.1021/acs.est.4c11988) в журнале Environmental Science & Technology, предлагают новый технический подход к [раннему предупреждению](https://phys.org/tags/early+warning/) загрязнения озоном.
Влияние погодных факторов на озон
Приземный озон стал основным летним загрязнителем воздуха, часто связанным с высокими температурами и низкой влажностью. Однако на уровень озона также влияют сложные метеорологические факторы, такие как атмосферная циркуляция, солнечная радиация, высота пограничного слоя и облачный покров. Это делает точное прогнозирование постоянной задачей.
Традиционные модели машинного обучения часто не учитывают пространственно-временную динамику, в то время как численные модели страдают от высоких вычислительных затрат и ограниченной способности прогнозировать эпизоды с высокой концентрацией озона.
Достижения исследования
В этом исследовании учёные создали многомасштабную картографическую модель, используя данные метеорологических прогнозов и архитектуру CNN-LSTM. Модель достигла высокой точности прогнозирования с показателями попадания 83% в NCP и 56% в YRD для событий с высокой концентрацией озона (MDA8 ≥ 160 мкг/м³), а также R² более 0,85 при объяснении суточной изменчивости озона.
Модель также успешно количественно оценила влияние смещения тайфунов на региональные уровни озона, что дополнительно подтвердило её надёжность.
«Мы получили более чёткое представление о том, как погодные условия влияют на загрязнение озоном, что может действительно помочь в более точном прогнозировании дней с высоким риском загрязнения», — сказал профессор Се Пинхуа.
Предоставлено [Chinese Academy of Sciences](https://phys.org/partners/chinese-academy-of-sciences/)