中国环境科学

作者：康俊锋, 黄烈星, 张春艳, 曾昭亮, 姚申君

单位：1. 江西理工大学建筑与测绘工程学院, 江西 赣州 341000; /\r\n2. 武汉大学 中国南极测绘研究中心, 湖北 武汉 430079; /\r\n3. 重庆市万州区规划设计研究院, 重庆 404000; /\r\n4. 华东师范大学地理信息科学教育部重点实验室, 上海 200241

关键词：PM2.5预测,能见度,机器学习,XGBoost,气象因子

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）

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.

来源：2020年第5期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2020年第5期