摘要
空气质量是评价城市综合实力的关键因素，同时也关系到居民的生产生活。PM2.5(FineParticulateMatter)是一项重要的空气质量评价指标，分析PM2.5浓度的影响因素并对其预测能够为生产生活提供预警信息，同时有助于政府和相关部门提出及时有效的防治措施。现有的PM2.5预测方法中，大部分模型仅考虑了目标站点的历史数据，而忽略了PM2.5的空间相关性。因此，本文围绕抚顺市24个监测站点的数据展开研究，寻找PM2.5浓度的影响因素，同时，考虑到了PM2.5浓度在研究区域上的空间相关性，探究在单站点信息与多站点信息下所建模型对目标站点PM2.5浓度的预测性能。首先，根据2020年抚顺市24个监测站点的数据描述PM2.5浓度的时空分布特征，为PM2.5浓度的预测建立基础;其次，为防止预测时的特征冗余，运用广义可加模型寻找PM2.5浓度的重要影响因素;最后，考虑PM2.5的空间相关性，构建单站点与多站点信息下的预测模型，并进行对比。 研究结果如下: (1)抚顺市的PM2.5浓度有明显的季节差异，PM2.5浓度在冬季最高、夏季最低，春、夏、秋三个季节的PM2.5浓度与冬季存在显著性差异;月度特征上，PM2.5浓度在1月达到最高，且1月份的浓度为其余月份的两倍多;小时特征上，在夜间21时至次日9时，PM2.5浓度较为稳定，约为541μg/m3，10时至20时，PM2.5浓度变化趋势呈“U”型，午后16时PM2.5浓度达到全天最低。抚顺市的PM2.5浓度具有空间自相关性，对其空间分布特征进行分析，发现中心区域的PM2.5浓度比边界区域高。 (2)广义可加模型(GeneralizedAdditiveModel，GAM)能够有效地描述各因素与PM2.5浓度之间的关系。其中，大气压与PM2.5浓度变化呈现线性关系，PM10、NO2、CO、O3、湿度、风速、风向与PM2.5浓度均呈现非线性关系。除单个因素的影响外，O3与SO2、大气压间的交互作用都在显著性水平α=0.05的条件下影响PM2.5的浓度变化。最终通过模型可视化，定量分析了单因素及交互作用对PM2.5浓度的影响效应。 (3)考虑到PM2.5浓度在研究区域上的空间自相关性，基于单站点与多站点的信息，建立随机森林回归(RandomForestRegression，RFR)模型与支持向量回归(SupportVectorRegression，SVR)模型对目标站点的PM2.5浓度预测。在预测前，运用粒子群优化算法(ParticleSwarmOptimization，PSO)与网格搜索法优化模型参数，对比发现，粒子群算法优化的模型预测性能更好且收敛速度更快。相比单站点信息，多站点信息下建立的模型误差更小，能够更准确地预测目标站点的PM2.5浓度。同时，无论在单站点信息还是多站点信息下，同一优化方法下的SVR模型的拟合优度均比RFR模型高5％左右。总结得出，预测目标站点的PM2.5浓度时，若站点数据足够，则应基于多站点信息，选取PSO-SVR模型进行预测。
NETL