基于机器学习的短期PM2.5预测

由于环境和快速发展之间的不平衡,城市空气质量问题变得越来越突出。PM2.5作为空气污染的主要成分,会对人体造成很大伤害。因此,准确地预测PM2.5浓度对于保护人们健康具有重要意义。首先选取了其他空气质量数据(PM_(10)、NO_(2)、CO_(2)、O_(3))作为影响因素,构建了基于机器学习(多元线性回归、岭回归、套索回归、决策树、随机森林和人工神经网络)的PM2.5预测模型;其次利用这些模型预测山西省太原市未来1小时PM2.5浓度;最后通过MAE、RMSE、R^(2)来等指标评价各模型的预测性能,实验结果表明,基于随机森林的预测模型具有最高的预测精度。

北京市PM_(2.5)污染的时空分布与主要空气污染物的关系

近年来,我国多个地区遭遇严重的雾霾天气,极大的影响了人们的日常生活。为了探讨PM2.5污染的浓度与主要空气污染物的关系,文章以2015年北京市12个国控监测点的监测数据为基础,运用统计学方法,研究PM2.5污染的浓度与主要空气污染物的相关关系,明晰北京市PM2.5污染源并提出相应措施。结果表明:PM2.5浓度与主要空气污染物一定程度上相关。PM2.5浓度与O3浓度呈负相关关系且极为显著,与CO浓度和NO2浓度呈正相关关系且极为显著,与SO2浓度呈正相关关系。各个国控监测点PM2.5浓度与主要空气污染物的相关性的差异主要体现在PM10浓度上,所以控制汽车尾气和燃煤烟气的排放,对PM2.5的浓度的控制具有重要的意义。