基于机器学习方法的臭氧和PM_2.5污染潜势预报模型——以成都市为例

王馨陆¹, 黄冉^1,?, 张雯娴¹, 吕宝磊², 杜云松³, 张巍³, 李波兰³, 胡泳涛⁴

1. 杭州矮马科技有限公司, 杭州 3111212. 华云升达(北京)气象科技有限责任公司, 北京 1022993. 四川省生态环境监测总站, 成都 6100914. School of Civil and Environmental Engineering, Georgia Institute of Technology, Atlanta, GA 30332

收稿日期:2020-07-31修回日期:2020-09-15出版日期:2021-09-20

基金资助:国家重点研发计划(2018YFC0214004)、四川省环境保护科技计划(2019HB03)和四川省重大科技专项(2018SZDZX0023)资助

Forecasting Ozone and PM_2.5 Pollution Potentials Using MachineLearning Algorithms: A Case Study in Chengdu

WANG Xinlu¹, HUANG Ran^1,?, ZHANG Wenxian¹, Lü Baolei², DU Yunsong³,ZHANG Wei³, LI Bolan³, HU Yongtao⁴#br#

1. Hangzhou AiMa Technologies, Hangzhou 3111212. Huayun Sounding Meteorological Technology Company, Ltd., Beijing 1022993. Sichuan Bio-Environmental Monitoring Center, Chengdu 6100914. School of Civil and Environmental Engineering, Georgia Institute of Technology, Atlanta, GA 30332

Received:2020-07-31Revised:2020-09-15Published:2021-09-20

PDF

(3951KB)

可视化

0

复制本文网址

1. 探讨2016版国际胰瘘研究小组定义和分级系统对胰腺术后患者胰瘘分级的影响.PDF(500KB)

-->

摘要/Abstract

摘要： 以成都市为例, 以多项可能影响污染物时空分布的变量为潜在预报因子, 筛选关键入模因子, 利用2016—2018年数据为训练集, 采用多元线性回归、BP神经网络和随机森林算法, 建立成都市夏季(4—8月)臭氧及冬季(11—2月) PM_2.5污染潜势模型, 并利用2019年数据对模型的中长期污染潜势浓度的预报性能进行评估。结果表明, 建立的多元线性回归、BP神经网络和随机森林模型对成都市臭氧及PM_2.5的短期(1~3天)污染潜势都具有良好的预报效果, 对7~15天的中长期潜势预报表现稳定。其中, 多元线性回归模型和随机森林模型分别对臭氧和PM_2.5表现出相对最佳的预报性能。

引用本文

王馨陆, 黄冉, 张雯娴, 吕宝磊, 杜云松, 张巍, 李波兰, 胡泳涛. 基于机器学习方法的臭氧和PM_2.5污染潜势预报模型——以成都市为例[J]. 北京大学学报自然科学版, 2021, 57(5): 938-950.
WANG Xinlu, HUANG Ran, ZHANG Wenxian, Lü Baolei, DU Yunsong, ZHANG Wei, LI Bolan, HU Yongtao. Forecasting Ozone and PM_2.5 Pollution Potentials Using MachineLearning Algorithms: A Case Study in Chengdu[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(5): 938-950.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3665