为能更加准确地模拟出兰州市近地面臭氧浓度,在CMAQ(社区多尺度空气质量建模系统)的基础上,利用机器学习方法中的XGBoost(极限梯度提升)模型及LSTM(长短期记忆)神经网络模型建立近地面臭氧模拟结果的订正模型,并以两种方法为基础,利用误差变权倒数组合方法构建LSTM-XGBoost组合模型,以期进一步提高订正效果.本文选取兰州市4个国控站点(兰炼宾馆,铁路设计院,榆中校区,生物制品所)2019年7、8月环境空气质量监测数据及兰州市气象站同期气象数据,对CMAQ模拟的同时段兰州市近地面臭氧浓度进行订正.结果表明,CMAQ能够模拟出兰州市近地面臭氧浓度的空间及时间分布特征,但整体上对浓度有所低估.利用上述方法构建的订正模型中,LSTM-XGBoost组合模型的订正效果最好,臭氧相关性由CMAQ模拟的0.61～0.76提升至0.89～0.95,臭氧8h平均相关性由0.65～0.79提升至0.81～0.88,臭氧RMSE由44.83～70.17μg/m3提升至15.21～26.53μg/m3,臭氧8h平均RMSE由40.07～67.57μg/m3提升至14.24～28.54μg/m3.该研究表明利用机器学习方法对CMAQ模拟结果订正可行,可以改善环境空气质量模式模拟结果.

CMAQ;近地面臭氧;机器学习;LSTM;XGBoost;误差变权倒数组合

周恒左;陈恒蕤;廖鹏;孔祥如;潘峰;杨宏

兰州大学大气科学学院,甘肃兰州730000

中国环境科学

[1]周恒左;陈恒蕤;廖鹏;孔祥如;潘峰;杨宏-.兰州市CMAQ近地面臭氧模拟结果的订正方法——基于机器学习方法)[J].中国环境科学,2022(12):5472-5483

质量建模,误差变权倒数组合

兰州市,CMAQ,近地面臭氧,订正方法,基于机器学习,机器学习方法,模拟出,地面臭氧浓度,模系统,XGBoost,极限梯度提升,长短期记忆,组合方法,组合模型,宾馆,设计院,榆中,中校,校区,生物制品,环境空气质量监测数据,气象站,气象数据,时间分布特征,低估,8h,RMSE,改善环境

0.195172