Physicochemically Motivated Decomposition for Long-Sequence Urban O3 Forecasting: A Cross-Method Comparison

方法

STL/GAM/CEEMDAN/VMD分解训练验证数据，LSTM与Transfo

发现

VMD(K=2)与周期合并最优；最优模型架构随尺度与城市而异，单一通用模型不足。

机会点

可将该防泄漏分解-集成范式迁移至农业气象与污染预警，探索跨尺度自适应模型选择。

地表臭氧（O₃）通过非线性化学过程生成，具有高度非平稳性，使168小时预报变得复杂。许多模型忽略了关键物理驱动因素、混合了时间尺度，并随预报时效延长而迅速退化。我们提出了一种分解-集合框架，将地面观测与数值天气预报（NWP）预测因子（如太阳辐射、行星边界层高度）相融合。为防止数据泄漏，分解（STL、GAM、CEEMDAN、VMD）仅在训练和验证数据上进行，以分离年际、日变化和残差分量。随后，我们使用直接学习和增量学习（ΔY）两种方式，在各分量上训练LSTM和Transformer模型。在北京、上海、广州和成都，分解降低了误差下界并抑制了误差随时效的增长。在测试的策略中，VMD（K=2）和基于周期的合并（用于CEEMDAN）能够稳健地分离24小时日变化模态，限制跨尺度泄漏，并在可分离性、可解释性和预报技巧之间提供最佳平衡。结果进一步揭示了最优模型架构在不同时间尺度和城市特定气象条件下存在显著异质性，表明单一通用模型不足以同时优化短期精度和长期稳定性。总体而言，本研究提供了一种场景自适应预报范式，为O₃污染预警和决策支持提供了实践指导。