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 张巍 杜云松 王式功 罗彬
• 来源期刊: 气象与环境学报
• 学科: 地球科学
• 关键词: 空气污染预报 递归特征消除法 随机森林方法
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 快报
• 页码范围: 98-104
• 页数: 7页
• 分类号: X51
• 字数: 4769字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-503X.2020.02.013

摘要

利用2014年3月至2017年2月成都市8个环境监测站的PM2.5、PM10、SO2 、NO2、CO、O3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(O3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47.58 μg·m-3、72.10 μg·m-3、8.87μ·m-3、0.59 mg·m-、19.84 μg·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23.94 μg·m-3、20.98 μg·m-3、2.40 μg·m-3、0.16 mg·m-3、8.09 μg·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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	罗彬		46	328	10.0	16.0
2	张巍		5	3	1.0	1.0
3	杜云松		3	0	0.0	0.0