运用机器学习方法预测空气中臭氧浓度
2018-05-04蔡旺华
中国环境管理 2018年2期
蔡旺华
( 福建省环境信息中心,福建福州 350003 )
臭氧(O3)是一种淡蓝色气体,是天然大气的重要微量成分,约90%的臭氧存在于平流层,仅有10%左右的臭氧分布在对流层中[1]。臭氧是《环境空气质量标准》(GB3095—2012)中包含光化学烟雾的标志性污染物,高浓度近地面臭氧对人体健康有较大的危害[2]。城市中的臭氧主要由氮氧化物(NOx)、挥发性有机物(VOCs)在适宜条件下作用产生[3],主要来源于机动车、各类工厂和自然植被。随着经济活动的加剧和机动车保有量的激增,臭氧污染问题渐趋严重[4],2017年福建省空气质量的首要污染源即为臭氧。如何准确预报臭氧浓度成为一个重要课题。
常见的大气污染物浓度预测方法主要有两类:基于数值模式的预测方法[5,6]和基于统计模型的预测方法[7-10]。数值模式的预测方法是以大气动力学理论为基础,在给定的气象条件、污染源排放清单以及初始边界条件下,通过一套复杂的偏微分方程组模拟大气污染物在实际大气中的各种物理化学过程,预报污染物浓度动态分布和变化趋势。基于统计模式的预测方法以空气质量监测数据、气象监测数据等多种类型数据为基础,利用统计方法,建立预测模型,实现大气污染物浓度预测。传统的统计模型预测仅考虑单一大气污染物浓度变化,利用ARΙMA、Holt-Winters等时间序列预测模型进行浓度预测[11],预测精度较低且预测时效较短。后有方法提出利用大气污染物浓度和温度、湿度等气象因素进行多元线性回归,预测精度相比ARΙMA等时间序列预测模型要准。……
登录APP查看全文
