多机器学习模型下逐小时PM2.5预测及对比分析

作     者：康俊锋 黄烈星 张春艳 曾昭亮 姚申君 KANG Jun-Feng;HUANG Lie-Xing;ZHANG Chun-Yan;ZENG Zhao-Liang;YAO Shen-Jun

作者机构：江西理工大学建筑与测绘工程学院江西赣州341000 武汉大学中国南极测绘研究中心湖北武汉430079 重庆市万州区规划设计研究院重庆404000 华东师范大学地理信息科学教育部重点实验室上海200241 

基　　金：国家重点研发计划项目(2016YFC0803105) 国家留学基金资助项目(201808360065) 江西省教育厅科学技术研究项目(GJJ150661) 自然科学基金青年基金资助项目(41701462) 

出 版 物：《中国环境科学》 (China Environmental Science)

年 卷 期：2020年第40卷第5期

页      码：1895-1905页

摘      要：为了能及时、准确的估算出PM2.5浓度及污染等级,分别构建了K最邻近模型(KNN)、BP神经网络模型(BPNN)、支持向量机回归模型(SVR)、高斯过程回归模型(GPR)、XGBoost模型和随机森林模型(RF)6个PM2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM2.5浓度数据和Merra-2再分析数据开展PM2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM2.5浓度.在PM2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM2.5浓度提供参考.

主 题 词：PM2.5预测 能见度 机器学习 XGBoost 气象因子 

学科分类：0830[工学-生物工程类] 07[理学] 070602[070602] 0706[理学-大气科学类] 

核心收录：

D　O　I：10.19674/j.cnki.issn1000-6923.2020.0213

馆 藏 号：203930432...