一份深度学习臭氧浓度预测的综合分析-Ecological Informatics

“ 利用深度学习，综合评估臭氧浓度预测的准确性，基于该研究，可以更为精准的结合不同模型的优势，深入挖掘在大气污染物浓度预测的竞争可靠性”

该文被发表在最新一期的Ecological Informatics期刊上，该期刊最新影响因子=5.8。

•我们评估了不同深度的深度学习模型来预测未来的臭氧趋势。

•单层Bi-LSTM对全国臭氧趋势的预测最为有效。

•全连接网络在所有臭氧预测任务中都是强大而高效的。

•分析了影响深度学习模型性能的关键因素。

近年来，随着全球环境问题的凸显，近地表臭氧（O₃）污染问题愈发受到各界广泛关注。近地表臭氧污染不仅对生态系统造成严重破坏，损害植被生长，降低农作物产量，还对人类健康构成极大威胁，可引发呼吸道疾病、心血管问题等。为实现对臭氧污染的有效管控，深度学习技术凭借其强大的数据分析与模式识别能力，被广泛应用于预测未来臭氧浓度趋势，在过往研究中已取得了令人瞩目的成果。

然而，在当前的生态信息科学（Ecological Informatics）研究领域中，现有的研究工作呈现出高度的多样性，在模型选择上，使用了多种不同的深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）及其变体长短时记忆网络（LSTM）、门控循环单元（GRU），还有新兴的 Transformer 架构等；在技术框架方面，TensorFlow/Keras、PyTorch等多种框架并行使用。并且，不同研究依赖的数据集来源广泛且差异较大，涵盖不同地区、不同时段、不同监测精度的数据。

这种状况导致了一个关键问题，即缺乏一个统一的、具有广泛代表性的数据集，用于精准评估不同深度学习模型的架构和深度对臭氧浓度趋势预测性能的影响。由于缺乏统一评估标准，使得我们难以确切知晓不同神经网络架构，如简单的全连接网络与复杂的多层卷积网络之间，以及不同深度的网络，从浅层的两三层网络到深层的数十层网络，在面对臭氧浓度预测任务时，各自的优势与劣势究竟体现在何处。因此，在深入理解不同神经网络架构和深度与臭氧浓度预测效果之间的内在联系方面，至今尚未有系统性、全面性的研究工作开展。这一研究空白严重制约了深度学习技术在臭氧污染预测领域的进一步优化与广泛应用，亟待后续研究予以填补。

深度学习模型臭氧预测性能对比流程

预测结果空间分布

其余结果可在下方原文共享链接查阅

1.研究目的：

该论文基于Chi等人的研究工作所发布的中国大陆2015-2020年臭氧监测数据集，通过对六种具有不同深度的主流深度学习架构（FCN、CNN、LSTM、Bi-LSTM、CNN-LSTM和Transformer构架）进行系统的性能评估，来填补上述研究空白，以评估它们在不同地理区域预测臭氧浓度的有效性。

2.研究结果：

o在全国范围的预测任务中，表现最佳的深度学习模型是一层双向长短期记忆（Bi-LSTM）模型，其为R2 为0.66，均方根误差（RMSE）为 15.32μg・m⁻³，平均绝对误差（MAE）为 11.51μg・m⁻³。

o表现最差的模型是基于单块 Transformer 的模型，R2为0.57，RMSE 为 17.34μg・m⁻³，MAE 为 13.3μg・m⁻³。

o全连接网络（FCNs）在全国范围和区域预测任务中都表现出稳健且高效的预测性能。

o没有一个单一的深度学习模型能够在所有预测任务中都始终表现良好，这表明针对每个区域的特定属性采用模型定制方案的必要性。

o在我们的数据集上，超过两个以上隐藏层的深度网络将出现过拟合问题。特别是对于 Bi-LSTM 架构，当隐藏层数量从1增加到7时，性能下降了12%。

o研究还确定了在表现最佳的深度学习模型中最具影响力的气象因素，为模型开发中的特征选择和优化提供了见解。

3.研究意义：这项研究为如何构建和设计深度网络来预测臭氧和其他空气污染物浓度提供了借鉴和经验。

1.统一评估：使用统一的数据集对不同架构和深度的深度学习模型进行系统性能评估，解决了以往研究中因数据集不统一导致的对不同模型影响臭氧浓度预测准确性理解不足的问题。

2.多模型对比：综合对比了六种具有不同深度的主流深度学习架构在不同地理区域预测臭氧浓度的性能，全面分析了各模型的优劣，发现没有单一模型在所有任务中都表现良好，强调了定制化方法的重要性。

3.过拟合分析：深入研究了深度学习模型隐藏层数量与过拟合之间的关系，特别是针对 Bi-LSTM 架构，明确指出隐藏层数量增加会导致性能下降，为模型的合理设计提供了重要参考。

4.关键因素识别：确定了在表现最佳的深度学习模型中最具影响力的气象因素，为后续模型开发中的特征选择和优化提供了有价值的见解。

A comprehensive evaluation of deep learning approaches for ground-level ozone prediction across different regions - ScienceDirect

引用格式:

Lin G, Zhao H, Chi Y. A comprehensive evaluation of deep learning approaches for ground-level ozone prediction across different regions. Ecological Informatics 2025, 86: 103024.