基于机器学习的大气NO_(2)浓度预测模型

作     者：苏静 娄英斌 刘语薇 潘兴帅 解怀君 Su Jing;Lou Yingbin;Liu Yuwei;Pan Xingshuai;Xie Huaijun

作者机构：辽宁省大连生态环境监测中心大连116021 工业生态与环境工程教育部重点实验室大连市化学品风险防控及污染防治技术重点实验室大连理工大学环境学院大连116024 

出 版 物：《生态毒理学报》 (Asian Journal of Ecotoxicology)

年 卷 期：2024年第19卷第3期

页      面：61-69页

学科分类：07[理学] 09[农学] 0903[农学-农业资源与环境] 0713[理学-生态学] 

基　　金：国家自然科学基金资助项目(22376017) 

主　　题：机器学习 NO_(2)浓度预测 空间异质 关联性分析 

摘      要：传统的NO_(2)监测存在响应时间滞后等问题,准确预测大气NO_(2)浓度对于环保政策制定和空气质量改善至关重要。大气NO_(2)水平与地区的气象条件、工业污染排放、社会经济发展情况等多个因素相关联,因此NO_(2)污染具有显著的区域差异。近年,机器学习被广泛应用于环境质量要素预测,其中极端梯度提升树(XGBoost)算法在分析、挖掘数据关系上具有优势。本研究搜集了2011—2022年大连市11个区县的大气NO_(2)浓度与气象、工业排放、社会经济因素的年度数据,通过时间滑动策略,结合XGBoost算法构建了空间异质的未来时间NO_(2)预测模型。模型对大连市各区域2021年与2022年NO_(2)浓度预测结果的决定系数(R^(2))达到0.611,具有良好的预测性能与泛化能力。使用沙普利加和解释(SHAP)对关注的多个因素进行分析,结果表明,污染排放氨氮、社会消费品零售额、污染排放氮氧化物与NO_(2)浓度呈现正相关。