应用机器学习算法的成都市冬季空气污染预报研究

doi:10.3969/j.issn.1673-503X.2020.02.013

气象与环境学报 ›› 2020, Vol. 36 ›› Issue (2): 98-104.doi: 10.3969/j.issn.1673-503X.2020.02.013

应用机器学习算法的成都市冬季空气污染预报研究

孙苏琪¹(),王式功^1,^2,*(),罗彬³,杜云松⁴,张巍⁴

1. 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, 四川成都 610225
2. 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, 贵州遵义 563000
3. 四川省环境政策研究与规划院, 四川成都 610041
4. 四川省生态环境监测总站, 四川成都 610091

收稿日期:2019-03-25 出版日期:2020-04-30 发布日期:2020-03-03
通讯作者: 王式功 E-mail:528121551@qq.com;wangsg@cuit.edu.cn
作者简介:孙苏琪,女, 1994年生,在读硕士研究生,主要从事环境气象研究, E-mail:528121551@qq.com
基金资助:
国家自然科学基金重大研究计划重点支持项目(91644226);国家自然科学基金重大研究计划面上项目(41775147);四川省重大科技专项(2018SZDZX0023);国家重点研发计划“全球变化及应对”重点专项(2016YFA0602004)

Air pollution forecast in winter based on machine learning method in Chengdu

Su-qi SUN¹(),Shi-gong WANG^1,^2,*(),Bin LUO³,Yun-song DU⁴,Wei ZHANG⁴

1. Plateau Atmosphere and Environment Key Laboratory of Sichuan Province/College of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China
2. Zunyi Academician Center, Chinese Academy of Sciences & Chinese Academy of Engineering, Zunyi 563000, China
3. Sichuan Province Environmental Policy Research and Planning Institute, Chengdu 610041, China
4. Sichuan Environmental Monitoring Center, Chengdu 610091, China

Received:2019-03-25 Online:2020-04-30 Published:2020-03-03
Contact: Shi-gong WANG E-mail:528121551@qq.com;wangsg@cuit.edu.cn

摘要/Abstract

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、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^-3、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。

关键词: 空气污染预报, 递归特征消除法, 随机森林方法

Abstract:

In this paper, based on the PM_2.5, PM₁₀, SO₂, NO₂, CO, O₃ pollutant concentration data from 8 environmental monitoring stations of Chengdu and the T639 global medium-term numerical forecast model products from March of 2014 to February of 2017, the forecast model for the five of the above-mentioned six pollutant except O₃ in winter in Chengdu was built by using the recursive feature elimination (RFE) and the random forest method which are superior to the traditional statistical method, and its forecasting performance was assessed.The results show that the mean squared error (MSE) of the values of five pollutants forecasted by the RFE model are 47.58 μg·m^-3, 72.10 μg·m^-3, 8.87 μ·m^-3, 0.59 mg·m^-3, 19.84 μg·m^-3, and those by the random forest model are 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, which proves that the performance of the random forest model is better than that of the RFE model in the pollutant concentration forecast, indicating that the random forest method has a good performance and can provide the technical support for the air quality forecast business and the basis for the air pollution prevention and control in winter in Chengdu.

Key words: Air pollution forecast, Recursive feature elimination, Random forecast method

中图分类号:

孙苏琪,王式功,罗彬,杜云松,张巍. 应用机器学习算法的成都市冬季空气污染预报研究[J]. 气象与环境学报, 2020, 36(2): 98-104.

Su-qi SUN,Shi-gong WANG,Bin LUO,Yun-song DU,Wei ZHANG. Air pollution forecast in winter based on machine learning method in Chengdu[J]. Journal of Meteorology and Environment, 2020, 36(2): 98-104.

图/表 5

图1

表1

图2

图3

表2

参考文献 23

1	郭晓雷. 城市空气质量预报方法研究综述[J]. 科技传播, 2011, 8 (15): 14- 15.
2	吴兑. 近十年中国灰霾天气研究综述[J]. 环境科学学报, 2012, 32 (2): 257- 269.
3	白志鹏, 蔡斌彬, 董海燕, 等. 灰霾的健康效应[J]. 环境污染与防治, 2006, 28 (3): 198- 201.
4	李丽光, 丁抗抗, 王宏博, 等. 辽宁省城郊霾日变化特征分析[J]. 气象与环境学报, 2018, 34 (6): 125- 132.
5	杨永安, 张凯, 余全智, 等. 浅议生态旅游和环境保护的关系[J]. 绿色科技, 2014, (9): 205- 208.
6	环境保护部,国家质量监督检验检疫总局.环境空气质量标准GB3095—2012[S].北京:中国环境科学出版社, 2012.
7	Alharbi B H , Pasha M J , Tapper N . Assessment of ambient air quality in Riyadh city, Saudi Arabia[J]. Current World Environment, 2014, 9 (2): 227- 236.
8	Chow J C . Health effects of fine particulate air pollution:Lines that connect[J]. Journal of the Air & Waste Management Association, 2006, 56 (6): 707- 708.
9	刘永祺, 李大鹏, 倪长健. 重庆市大气污染特征及其影响因素分析[J]. 四川环境, 2009, 28 (3): 28- 32.
10	王式功, 杨德保, 李腊平, 等. 兰州城区冬半年冷锋活动及其对空气污染的影响[J]. 高原气象, 1998, 17 (2): 142- 149.
11	陆忠艳, 王扬锋, 蒋大凯, 等. 基于气象条件的沈阳市空气质量预报方法研究[J]. 气象与环境学报, 2018, 34 (4): 68- 74.
12	张莹, 贾旭伟, 杨旭, 等. 中国典型代表城市空气污染特征及其与气象参数的关系[J]. 气象与环境学报, 2017, 33 (2): 70- 79.
13	姜大膀, 王式功, 郎咸梅, 等. 兰州市区低空大气温度层结特征及其与空气污染的关系[J]. 兰州大学学报:自然科学版, 2001, 37 (4): 133- 139.
14	任万辉, 苏枞枞, 赵宏德. 城市环境空气污染预报研究进展[J]. 环境保护科学, 2010, 36 (3): 9- 11.
15	梁津, 刘志红, 姚琳. 基于WRF/CMAQ的成都空气质量模拟与预报[J]. 高原山地气象研究, 2016, 36 (3): 90- 96.
16	肖丹华, 王式功, 张莹, 等. 四川盆地城市群6种大气污染物的时空分布[J]. 兰州大学学报:自然科学版, 2018, 54 (5): 662- 669.
17	曾胜兰, 王雅芳. 成都地区污染天气分型及其污染气象特征研究[J]. 长江流域资源与环境, 2016, 25 (Z1): 59- 67.
18	柴微涛, 宋述军, 宋学鸿. 成都市城区空气污染指数的时间序列分析[J]. 成都理工大学学报:自然科学版, 2007, 34 (4): 485- 487.
19	孙欢欢, 倪长健, 崔蕾, 等. 成都市大气颗粒物污染特征及与气象因子的关联性分析[J]. 环境污染与防治, 2016, 38 (5): 55- 60.
20	谢雨竹, 潘月鹏, 倪长健, 等. 成都市区夏季大气污染物浓度时空变化特征分析[J]. 环境科学学报, 2015, 35 (4): 975- 983.
21	靳小兵, 杨柏生, 曾涛. 成都市大气质量预报模式[J]. 四川气象, 1995, 15 (3): 6- 9.
22	环境保护部.环境空气质量指数(AQI)技术规定(试行)HJ633—2012[S].北京:中国环境科学出版社, 2012.
23	徐盼盼.基于张量空间影像组学模型的阿尔兹海默症诊断方法研究[D].广州:南方医科大学, 2018.

[1]	李昕翼,杨丰恺,朱育雷,倪长健. 成都市一次灰霾过程的演变特征及其成因分析[J]. 气象与环境学报, 2020, 36(2): 28-33.
[2]	王振, 杨卫芬, 叶香, 李艳萍, 夏京, 李春玉, 何涛. 气象因素对常州市区PM_2.5浓度影响分析[J]. 气象与环境学报, 0, (): 0-0.
[3]	王宏, 郑秋萍, 洪有为, 吴建成. 2017年漳州海陆风特征与冬春季污染物浓度关系分析[J]. 气象与环境学报, 0, (): 0-0.
[4]	余钟奇, 马井会, 毛卓成, 曹钰, 瞿元昊, 许建明. 2017年上海臭氧污染气象条件分析及臭氧污染天气分型研究[J]. 气象与环境学报, 2019, 35(6): 46-54.
[5]	唐颖潇, 韩素芹, 蔡子颖, 杨旭, 冯琎. 2013—2017年天津市大气自净能力与大气颗粒物质量浓度特征分析[J]. 气象与环境学报, 2019, 35(6): 55-66.
[6]	陆倩, 王国辉, 付娇, 周士茹. 承德市臭氧污染气象条件预报方法研究[J]. 气象与环境学报, 2019, 35(6): 67-76.
[7]	杨洪斌, 张云海, 李克非, 陈刚, 邹旭东, 汪宏宇, 刘玉彻. 估算模式AERSCREEN的参数敏感性研究[J]. 气象与环境学报, 2019, 35(6): 126-131.
[8]	李树岭, 花丛, 赵玲, 徐盛荣, 景学义, 张鑫, 姜兵. 哈尔滨秋季一次持续性重污染过程分析[J]. 气象与环境学报, 2019, 35(4): 25-32.
[9]	吴文玉, 张浩, 何彬方, 霍彦峰, 张宏群, 翟菁. 淮河流域秸秆焚烧关键期主要大气污染物浓度时空分布特征[J]. 气象与环境学报, 2019, 35(4): 33-39.
[10]	虎彩娇, 李锦伦, 王祖武, 成海容, 柯豪昊, 吴婉烨. 黄石市大气PM₁₀和PM_2.5质量浓度特征研究[J]. 气象与环境学报, 2019, 35(4): 40-46.
[11]	张良玉, 魏丽欣, 赵春雷, 张会, 贾芳, 徐志清. 2012-2017年京津冀区域酸雨变化特征[J]. 气象与环境学报, 2019, 35(4): 47-54.
[12]	陈培章, 陈道劲. 兰州主城臭氧污染特征及气象因子分析[J]. 气象与环境学报, 2019, 35(2): 46-54.
[13]	巫俊威, 赵胡笳, 杨东, 魏垚. 基于地基观测的成都彭州气溶胶光学特性研究[J]. 气象与环境学报, 2019, 35(2): 32-39.
[14]	张滢滢, 陈明, 陈丽英. 海口市重污染天气潜在源分析研究[J]. 气象与环境学报, 2019, 35(2): 107-111.
[15]	顾正强, 龚强, 晁华, 张海娜, 徐红, 朱玲, 沈历都, 蔺娜. 辽宁省海绵城市建设中年径流总量控制率分区及其分布差异研究[J]. 气象与环境学报, 2019, 35(1): 59-65.

应用机器学习算法的成都市冬季空气污染预报研究

Air pollution forecast in winter based on machine learning method in Chengdu

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 23

相关文章 15

Metrics

本文评价

推荐阅读 10

污染物	RMSE
PM_2.5	47.58
PM₁₀	72.10
SO₂	8.87
CO	0.59
NO₂	19.84