基于深度学习与随机森林的PM2.5浓度预测模型 |
| |
引用本文: | 彭豪杰,周杨,胡校飞,张龙,彭杨钊,蔡心悦.基于深度学习与随机森林的PM2.5浓度预测模型[J].遥感学报,2023(2):430-440. |
| |
作者姓名: | 彭豪杰 周杨 胡校飞 张龙 彭杨钊 蔡心悦 |
| |
作者单位: | 1. 信息工程大学地理空间信息学院;2. 北京遥感信息研究所 |
| |
摘 要: | 针对PM2.5浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘,而深度学习算法在数据较少情况下效果不佳的问题,综合考虑深度学习与随机森林的特点,提出一种基于深度学习与随机森林的PM2.5浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM2.5地面观测数据构建训练数据集,通过深度学习方法对训练数据内部深层次隐含特征进行提取,将提取得到的隐含特征用于随机森林模型训练,并使用随机森林回归算法得到PM2.5浓度的预测值。为验证方法的有效性,以河南省区域2018年—2019年的PM2.5浓度估算为例,将原始特征与利用CNN、LSTM和CNN_LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明,在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度,其中以LSTM为特征选择器,RF为回归器的组合模型是本实验的最优模型,在即使只有35%...
|
关 键 词: | 遥感 PM2.5 深度学习 随机森林 长短时神经网络 PM2.5组合模型 |
|
|