中国环境科学

作者：唐科, 秦敏, 赵星, 段俊, 方武, 梁帅西, 孟凡昊, 叶凯迪, 张鹤露, 谢品华

单位：1. 中国科学院安徽光学精密机械研究所, 环境光学与技术重点实验室, 安徽 合肥 230031; /\r\n2. 中国科学技术大学, 安徽 合肥 230026; /\r\n3. 中国科学院区域大气环境研究卓越创新中心, 福建 厦门 361021

关键词：Stacking,K折交叉验证,集成,气态亚硝酸,预测

基金：

国家自然科学基金资助项目（41875154，91544104，4170050319）；中国科学院重点部署项目（KFZD-SW-320）；国家重点研发计划项目（2017YFC0209403）；中国科学院安徽光学精密机械研究所所长基金资助项目（AGHH201601）

建立了基于Stacking集成学习下气态亚硝酸（HONO）预测模型.利用非相干宽带腔增强吸收光谱（IBBCEAS）系统获得的北京城区HONO的浓度，结合HONO的来源，选取了O3、CO、SO2、NO、NO2、NOy、温度（T）、相对湿度（RH）、风速（WS）、j（HONO）、j（NO2）、j（O1D）作为特征数据，通过对HONO的平均日变化分析，将测量时间按小时转换为新特征.分别以极端梯度提升（XGBoost）、轻量化梯度促进机（LightGBM）以及随机森林（RF）算法构建基模型，采用5折交叉验证的方式划分训练集，将基模型输出的结果作为新特征集，并将新特征集作为第二层线性回归模型的输入，通过对这两层中的模型进行训练，最终得到Stacking集成学习HONO预测模型.通过对模型的特征重要度分析和计算夜间交通直接排放所占的贡献，表明CO是模型预测中重要的影响因子，说明机动车的直接排放是该区域冬季时期HONO的重要来源.利用测试集分别对单模型和融合后模型的预测性能进行评估，3个单模型的预测结果与测量值的相关系数都达到了0.91以上，其中Stacking融合后的模型性能最好，相关系数达到了0.94，平均绝对误差和均方根误差分别为0.307×10-9和0.453×10-9，结果表明基于Stacking集成学习方式下HONO预测模型的可解释性和推广性.

来源：2020年第2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2期