华盛顿大学/埃默里大学ES&T: 机器学习+数值模拟实现高分辨率PM 2.5浓度预测

在时空覆盖范围内预测环境PM2.5浓度是提醒决策者注意污染事件的关键，尤其是在地面空气监测站有限的地区。现有方法要么依靠化学传输模型（CTM）来预测具有非平凡不确定性的PM2.5空间分布，要么依靠统计算法来预测没有连续空间覆盖的空气监测位置的PM2.5浓度时间序列。

在此，美国埃默里大学刘阳教授、华盛顿大学Jianzhao Bi等人将稳健的随机森林（RF）算法与公众可访问的全球CTM预测产品—NASA的戈达德地球观测系统“成分预测”（GEOS-CF）相结合，开发了一个PM2.5预测框架。

该框架能够以1公里的空间分辨率提供未来5天PM2.5浓度的时空连续预测，本文的预测实验是针对中国中部的一个地区进行的，包括人口众多且污染严重的汾渭平原。预测结果显示，未来2天的预测总体验证R²分别为 0.76 和 0.64，接下来3个预测日的R²约为0.5，空间交叉验证显示了类似的验证指标。特征重要性排名表明，GEOS-CF PM 2.5预测数据始终位于最重要的预测变量之列，预测浓度极大地受益于具有更高空间分辨率的插值GEOS-CF预测因子。

图1. 研究领域和本研究的工作流程

此外，根据重要性排名，当前的PM 2.5卷积层有助于提高预测性能，尤其是前2个预测日。这一发现证明，PM 2.5卷积层不仅可以提供如先前研究所示的当日预测信息，而且也适用于近期预测。在所有5个预测日中，晴天预测的准确度最高，这表明该框架在长期预测高水平污染方面面临更大的挑战。

此外，作者发现2个月的滚动周期对于研究领域和周期来说是最佳的，它提供了令人满意的预测性能同时最大限度地减少了包含的训练数据数量。总之，该预测模型的验证归一化平均偏差接近 0，大大减少了GEOS-CF中的大偏差。与在城市规模运行CTM相比，所提出的框架需要最少的计算资源便可在资源受限的环境中实现近乎实时的PM2.5预测。

图2. 特定地点和特定日期的验证性能

Combining Machine Learning and Numerical Simulation for High-Resolution PM2.5 Concentration Forecast, Environmental Science & Technology 2022. DOI: 10.1021/acs.est.1c05578

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/42342532af/

华盛顿大学/埃默里大学ES&T: 机器学习+数值模拟实现高分辨率PM 2.5浓度预测

相关推荐