近期，安光所谢品华研究员团队在国际环境领域TOP期刊《环境科学与技术》（Environmental Science ＆ Technology）发表文章（“以中国华北平原与长三角为例，建立区域气象过程和臭氧浓度日际变化的映射模型”）。科研人员基于可融合天气过程时空演变特征的序列卷积长短期记忆网络框架（CNN－LSTM），建立了华北平原和长三角地区臭氧浓度日际变化预测模型，为臭氧污染预警提供了新的技术手段。
近地面臭氧是我国夏季主要大气污染物，其高浓度污染常与高温、低湿等局地气象条件相伴出现。然而，臭氧浓度与温度并不总是呈现正相关关系，还受到大气环流、太阳辐射、边界层高度及云量等多因素综合影响，区域天气过程对臭氧污染形成至关重要。目前，机器学习臭氧预测研究往往忽略天气过程的时空演变特征，而数值模式预测则存在计算成本高、对臭氧重污染事件预测能力不足等局限，提高臭氧重污染事件的预测准确性已成为环境管理部门的迫切需求。
针对这些问题，研究团队基于气象预报数据和CNN－LSTM框架，建立了多尺度天气过程与臭氧浓度日际变化的精准映射模型，设计了涵盖多个时空尺度的气象场数据训练场景，系统评估了该模型在不同场景下的臭氧浓度预测精度和高浓度污染事件预报准确率。研究发现，适度增加气象训练数据的时空范围可有效提升臭氧浓度预测精度，尤其对高浓度臭氧污染事件的预报效果改善显著。在华北和长三角地区，该模型对MDA8≥160 μg／m3的高浓度臭氧污染事件命中率分别达到83％和56％，同时能够充分释放气象数据解释臭氧浓度逐日变化的潜力（R2≥0.85）。此外，该模型可准确量化台风位置变化对华北和长三角地区臭氧浓度的影响，在城市及区域臭氧重污染预警中展现出良好的应用潜力。
安光所博士生胡峰为该论文的第一作者，谢品华研究员为通讯作者。该工作得到了国家自然科学基金项目（NOs．42030609，42105132）的资助。
可融合天气过程时空演变特征的CNN-LSTM机器学习框架
模型对于华北和长三角地区关键城市2024全年的臭氧预测性能 关键城市包括北京、济南、天津、上海、南京和杭州
