基于机器学习算法对二次无机气溶胶模拟进行偏差订正
Bias correction of the secondary inorganic aerosol modeling based on machine learning algorithm作者机构:湖北省生态环境科学研究院武汉430070 中国科学院大气物理研究所大气边界层物理和大气化学国家重点实验室北京100029 中国环境监测总站北京100012
出 版 物:《环境科学学报》 (Acta Scientiae Circumstantiae)
年 卷 期:2023年第43卷第4期
页 面:121-130页
核心收录:
学科分类:07[理学] 070602[理学-大气物理学与大气环境] 0706[理学-大气科学]
基 金:国家自然科学基金(No.92044303,41875164,42175132) 湖北省生态环境厅2020年省级环保科研项目(No.2020HB04) 中国科学院网信专项(No.CAS-WX2021SF-0107-02)
摘 要:采用机器学习算法随机森林结合空气质量模型NAQPMS,利用华北地区模式模拟结果及硫酸盐、硝酸盐和铵盐的观测结果,构建了二次无机气溶胶模拟的偏差订正模型.结果表明:基于随机森林算法融合空气质量模型建立的二次无机气溶胶模拟偏差订正模型可以显著改善二次无机气溶胶的模拟效果,更细致地再现出二次无机气溶胶的时空分布特征.对于训练站点,硫酸盐、硝酸盐和铵盐的模拟偏差可降低89.6%、16.7%和98.0%;对于验证站点,硫酸盐、硝酸盐和铵盐的模拟偏差可降低68.3%、60.0%和81.3%,相关系数均有显著提高.特征因子敏感性试验表明,硫酸盐、硝酸盐和铵盐的模拟浓度是构建二次无机气溶胶模拟的偏差订正模型的重要特征因子,潜在地考虑了二次无机气溶胶物理化学生成过程.本文揭示了融合了深度学习方法和传统数值模式方法在改善区域二次无机气溶胶模拟上的巨大潜力.