首页|应用机器学习算法的成都市冬季空气污染预报研究

应用机器学习算法的成都市冬季空气污染预报研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
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.
Air pollution forecast in winter based on machine learning method in Chengdu

孙苏琪、王式功、罗彬、杜云松、张巍

展开 >

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

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

四川省环境政策研究与规划院,四川成都610041

四川省生态环境监测总站,四川成都610091

展开 >

空气污染预报 递归特征消除法 随机森林方法

国家自然科学基金重大研究计划重点支持项目四川省重大科技专项国家重点研发计划“全球变化及应对”重点专项

417751472018SZDZX00232016YFA0602004共同资助

2020

气象与环境学报
中国气象局沈阳大气环境研究所

气象与环境学报

CSTPCD
影响因子：1.433
ISSN：1673-503X
年,卷(期)：2020.36(2)
  • 7
  • 16