多机器学习模型下逐小时PM2.5预测及对比分析

• 作者: 姚申君 康俊锋 张春艳 曾昭亮 黄烈星
• 来源期刊: 中国环境科学
• 学科: 地球科学
• 关键词: PM2.5预测 能见度 机器学习 XGBoost 气象因子
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 大气污染与控制
• 页码范围: 1895-1905
• 页数: 11页
• 分类号: X831
• 字数: 6256字
• 语种: 中文

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	康俊锋	江西理工大学建筑与测绘工程学院	9	15	2.0	3.0
2	姚申君	华东师范大学地理信息科学教育部重点实验室	11	53	4.0	7.0
3	黄烈星	江西理工大学建筑与测绘工程学院	2	0	0.0	0.0
4	张春艳		2	0	0.0	0.0
5	曾昭亮	武汉大学中国南极测绘研究中心	1	0	0.0	0.0