基于机器学习的大气NO_(2)浓度预测模型

传统的NO_(2)监测存在响应时间滞后等问题,准确预测大气NO_(2)浓度对于环保政策制定和空气质量改善至关重要。大气NO_(2)水平与地区的气象条件、工业污染排放、社会经济发展情况等多个因素相关联,因此NO_(2)污染具有显著的区域差异。近年,机器学习被广泛应用于环境质量要素预测,其中极端梯度提升树(XGBoost)算法在分析、挖掘数据关系上具有优势。本研究搜集了2011—2022年大连市11个区县的大气NO_(2)浓度与气象、工业排放、社会经济因素的年度数据,通过时间滑动策略,结合XGBoost算法构建了空间异质的未来时间NO_(2)预测模型。模型对大连市各区域2021年与2022年NO_(2)浓度预测结果的决定系数(R^(2))达到0.611,具有良好的预测性能与泛化能力。使用沙普利加和解释(SHAP)对关注的多个因素进行分析,结果表明,污染排放氨氮、社会消费品零售额、污染排放氮氧化物与NO_(2)浓度呈现正相关。