基于极端梯度提升算法的西安市逐小时PM_(2.5)浓度预报研究

摘要

利用西安市2016-2021年逐小时PM_(2.5)浓度监测数据和气象观测数据,基于极端梯度提升机器学习算法模型(extreme Gradient Boosting,XGBoost),选择气象因子和时间因子作为特征变量,对西安市逐小时PM_(2.5)浓度进行预报试验。结果表明:西安市PM_(2.5)浓度与平均气温和能见度显著负相关,冬季PM_(2.5)浓度与相对湿度和露点温度显著正相关,偏东风更易诱发重污染天气。西安市12月底至翌年1月初空气污染频发,但PM_(2.5)浓度总体逐年降低。冬季PM_(2.5)浓度的双峰形日变化最明显,最高值分别出现在凌晨和11时。西安市PM_(2.5)浓度变化存在“周末效应”。模型能够较为真实地反映PM_(2.5)浓度量级和演变趋势的变化,预报值与实况值之间的决定系数为0.77、平均绝对误差为12.79μg·m-3、均方根误差为18.68μg·m-3。模型秋冬季表现较为稳定,预报效果优于春夏季,但对极端峰值存在低估。模型具有较好的可解释性,能见度特征变量的影响最大,露点温度、相对湿度、平均气温和海平面气压等特征变量的重要性依次减弱,时间因子特征变量对模型也有一定影响。与其他统计模型及机器学习模型相比,模型有更高的预报精度和效率。