文献类型：期刊文章

作　　者：康俊锋[1] 黄烈星[1] 张春艳[3] 曾昭亮[2] 姚申君[4]

KANG Jun-Feng;HUANG Lie-Xing;ZHANG Chun-Yan;ZENG Zhao-Liang;YAO Shen-Jun(School of Architecture and Surveying Engineering,Jiangxi University of Science and Technology,Ganzhou 341000,China;Chinese Antarctic Center of Surveying and Mapping,Wuhan University,Wuhan 430079,China;Chongqing Wanzhou District Planning and Design Institute,Chongqing 404000,China;key Laboratory of Geographic Information Science,Ministry of Education,Shanghai 200241,China)

机构地区：[1]江西理工大学建筑与测绘工程学院,江西赣州341000 [2]武汉大学中国南极测绘研究中心,湖北武汉430079 [3]重庆市万州区规划设计研究院,重庆404000 [4]华东师范大学地理信息科学教育部重点实验室,上海200241

出　　处：《中国环境科学》

基　　金：国家重点研发计划项目(2016YFC0803105);国家留学基金资助项目(201808360065);江西省教育厅科学技术研究项目(GJJ150661);自然科学基金青年基金资助项目(41701462)。

年　　份：2020

卷　　号：40

期　　号：5

起止页码：1895-1905

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：为了能及时、准确的估算出PM2.5浓度及污染等级,分别构建了K最邻近模型(KNN)、BP神经网络模型(BPNN)、支持向量机回归模型(SVR)、高斯过程回归模型(GPR)、XGBoost模型和随机森林模型(RF)6个PM2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM2.5浓度数据和Merra-2再分析数据开展PM2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM2.5浓度.在PM2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM2.5浓度提供参考.

关 键 词：PM2.5预测  能见度 机器学习  XGBoost  气象因子

分 类 号：X831]