解决环境监测污染物浓度数据缺失异常问题的方法分析(贵州省环境工程评估中心，贵州贵阳550001)摘要:本文提出基于LSTW模型所设计的处理方案，从污染物时空变化特征出发，为构建预测模型提供预测目标。并基于LSTM构建污染物浓度预测模型，将数据划分为不同尺度，分析不同时段结果，训练前序数据，通过多个非目标序列数据输入提升指标捕捉精准度，以此实现解决数据缺失目标。关键词:环境监测；污染物浓度；数据缺失异常；LSTM中图分类号:X51文献标志码:A文章编号：1674-263X(2023)01-0087-03Abstract:ThispaperproposesatreatmentschemebasedontheLSTWmodel,whichprovidespredictiontargetsfortheconstructionofpredictionmodelsbasedonthespatio-temporalvariationcharacteristicsofpollutants.ThepollutantconcentrationpredictionmodelwasbuiltbasedonLSTM,thedatawasdividedintodifferentscales,theresultsofdifferenttimeperiodswereanalyzed,thepresequencingdatawastrained,andmultiplenon-targetsequencedatawereinputtoimprovetheaccuracyofindexcapture,soastosolvethedatamissingproblem.Keywords:environmentalmonitoring;pollutantconcentration;datamissing;LSTMAnalysisofMethodstoSolvetheProblemofPollutantConcentrationDataMissinginEnvironmentalMonitoringDONGLingling(GuizhouEnvironmentalEngineeringEvaluationCenter，Guiyang550001,China)在党的十九届五中全会上，习总书记就生态环境保护与治理提出明确要求，要求将大气环境保护与防治作为环境保护工作重点。因此，预测大气污染物浓度十分必要。但因使用无线传感器，数据收集存储过程中易出现数据不完整问题，设计估算模型，估算补全缺失异常数据，对于构建完整干净数据资源起到支持作用。1污染物时空变化特征空气质量污染监测的重要基础是空气质量污染物浓度变化，单一污染物浓度无法全面反映地区空气质量污染情况，因此要从首要污染物种类出发，分析出现频次和浓度时空变化特征[1]。计算首要污染物指标空气质量分指数的公式为式中：l为指标浓度低值下标；t为指标浓度高值下标；IAQIx为污染物指标空气质量分指数。将IAQI>50的污染物定义为空气质量首要污染物[2]。选取A地区2020~2021年PM10、PM2.5、O3、NO2、SO2、CO集中污染物的逐时数据作为补全对象，计算日均值，并借助上述公式计算出以上几种污染物的IAQI值[3]。经计算，首要污染物为PM10、PM2.5、O3。1.1日均变化趋势...
