翻译：With MDA8 O3 time series decomposed sequentially by CEEMDAN and VMD the CEEMDAN-VMD-GRU model could predict MDA8 O3 concentration with a fairly good accuracy Fig 6 plots the SE values of the MDA8 O

使用CEEMDAN和VMD对MDA8 O3时间序列进行顺序分解后，CEEMDAN-VMD-GRU模型可以相当准确地预测MDA8 O3浓度。图6显示了在九个珠三角城市中，CEEMDAN-VMD-GRU预测的观测和预测的MDA8 O3浓度之间的SE值和R2。显然，SE值在中西部城市，如肇庆（1.90）、广州（1.84）和佛山（1.81）最高，在南部和东部城市，如珠海（1.18）、深圳（1.36）和惠州（1.45）最低。有趣的是，SE的空间分布几乎与R2相反。SE值较高的城市与R2值较低的城市相对应。例如，肇庆和珠海分别显示出最高（1.90）和最低（1.18）的SE值，而R2则相反（肇庆为0.86，珠海为0.93）。这清楚地表明GRU模型的预测性能在很大程度上取决于输入数据集的不规则性。一般来说，前体排放较高的地区对气象条件的变化更为敏感，其O3浓度更具有变化敏感性（Seo等，2014）。几项研究表明，中西部珠三角地区的VOC和NOx排放比其他子区域更高（例如，Zheng等，2009）。因此，中西部珠三角的O3污染对气象条件的变化更为敏感，导致MDA8 O3浓度的数据波动更为不规则，SE值更大（Yang等，2019）。尽管分解可以极大地促进MDA8 O3的预测能力，但在波动较大的地区，其预测性能仍略逊于波动较稳定的地区。