基于机器学习方法的臭氧和PM_(2.5)污染潜势预报模型--以成都市为例

以成都市为例,以多项可能影响污染物时空分布的变量为潜在预报因子,筛选关键入模因子,利用2016—2018年数据为训练集,采用多元线性回归、BP神经网络和随机森林算法,建立成都市夏季(4—8月)臭氧及冬季(11—2月)PM_(2.5)污染潜势模型,并利用2019年数据对模型的中长期污染潜势浓度的预报性能进行评估。结果表明,建立的多元线性回归、BP神经网络和随机森林模型对成都市臭氧及PM_(2.5)的短期(1~3天)污染潜势都具有良好的预报效果,对7~15天的中长期潜势预报表现稳定。其中,多元线性回归模型和随机森林模型分别对臭氧和PM_(2.5)表现出相对最佳的预报性能。