应用机器学习算法的成都市冬季空气污染预报研究

作者：孙苏琪,王式功,罗彬,杜云松,张巍

摘要：利用2014年3月至2017年2月成都市8个环境监测站的PM 2.5、PM 10、SO 2、NO 2、CO、O 3共6种污染物质量浓度资料以及T639全球中期数值预报模式产品,采用两种机器学习算法—递归特征消除法(Recursive feature elimination,RFE)和随机森林方法,构建了成都市冬季5种(O 3除外,因为其冬季污染较轻)污染物浓度的预报模型,并对模型的预报效果进行了评价。结果表明:基于RFE模型的5种污染物预报值与实测值的均方根误差值分别为47.58μg·m^-3、72.10μg·m^-3、8.87μ·m-3、0.59 mg·m^-3、19.84μg·m^-3;基于随机森林模型的5种污染物预报值与实测值均方根误差值分别为23.94μg·m^-3、20.98μg·m^-3、2.40μg·m^-3、0.16 mg·m^-3、8.09μg·m^-3,随机森林模型对各污染物浓度的预报效果均优于RFE模型,说明该预报方法性能良好,可为成都市冬季空气质量业务化预报提供技术支持和防控依据。

发文机构：成都信息工程大学大气科学学院/高原大气与环境四川省重点实验室 贵州省遵义院士工作中心气候环境与医疗康养重点实验室 四川省环境政策研究与规划院 四川省生态环境监测总站

关键词：空气污染预报递归特征消除法随机森林方法Air pollution forecastRecursive feature eliminationRandom forecast method

分类号： X51[环境科学与工程—环境工程]