基于变量筛选的机器学习对兰州市近地面臭氧模拟研究

为快速准确模拟兰州市臭氧浓度,利用随机森林(RF)和极端梯度提升(XGB)2种机器学习模型,结合ERA5气象数据、MEIC清单数据和兰州市空气质量监测数据,对兰州市2020年近地面8 h滑动平均臭氧浓度ρ(O3_8h)进行模拟。通过SHAP方法评估变量的重要性,筛选出对模型贡献最大的变量,分别构建简化模型RF7和XGB7,并比较其与全变量模型(RF_A和XGB_A)的模拟效果和运行效率。结果表明,RF7和XGB7模型在4个监测站点的模拟效果与全变量模型接近,但计算效率显著提高,模拟时间减少87.97%,96.68%;不同站点对ρ(O3_8h)的影响因素存在差异,说明在简化模型训练数据时需因地制宜。研究表明使用SHAP简化变量的方法在提高模拟效率的同时,能够保持模型的准确性,为兰州市臭氧污染的快速预测提供途径。

数值模式及机器学习对兰州市近地面臭氧模拟适用性

分别应用数值模式及机器学习模型对兰州市2019年7月近地面臭氧浓度进行模拟,以对比不同方法下模拟效果的差异.其中,数值模式部分选用了3种不同的化学机理(CBMZ、RADM2、CB06r3),结果显示CBMZ化学机理模拟效果优于其他2种化学机理,RADM2高估了兰州市近地面臭氧浓度,CB06r3则有些低估.机器学习部分则选用了两种模型(XGBoost、PSO-BP),结果表明在缺少大气污染物排放清单的情况下,仅使用气象数据,无论是单个站点还是空间分布,2种机器学习模型均表现较好,且XGBoost模型在模拟近地面臭氧空间分布上表现更优.整体来看,2种机器学习模型相较于数值模式计算速度更快,但受其输入数据的影响较明显,对于更高空间分辨率的模拟研究及污染过程分析仍然需要依靠数值模式.因此,应该根据不同的需求及数据条件选择更合适的方法进行近地面臭氧模拟.

基于深度学习方法对兰州市ρ(PM_(2.5))的模拟

为准确、快速地模拟ρ(PM_(2.5)),构建深度学习模型:深度神经网络(DNN)、长短期记忆递归神经网络(LSTM)、卷积神经网络,用兰州市气象站监测数据、大气污染物排放清单以及环境空气质量监测站点的常规污染物监测数据,对兰州市逐小时ρ(PM_(2.5))进行模拟.结果表明,年际尺度上,3种模型中DNN的效果最好,LSTM对实测值较大的数据模拟效果比其他模型更好.季节尺度上,划分不同季节进行模拟的效果优于使用全年数据的模拟效果.3种模型中表现最好的是LSTM模型,整体表现为春、夏、秋季的模拟效果较好,冬季模拟效果较差.

基于大气环境风险的典型化工项目选址研究

以西北某钢铁厂焦炉优化升级项目作为研究对象,调查周边敏感点分布,识别物质风险,划分危险单元,分析建成后可能发生环境风险事故的情景和源项,并利用BIA模型进行了模拟预测。结果表明:在最不利和最常见2种气象条件下,苯最远影响距离分别为31.14 m、25.28 m,CO最远影响距离分别为512.12 m、367.37 m,氨气(NH3)最远影响距离分别为1423.13 m、391.56 m,CO和NH3最远影响距离均超出焦化厂厂界范围,但上述范围内均无环境敏感点分布,大气环境风险可接受,项目选址合理。