兰州市CMAQ近地面臭氧模拟结果的订正方法——基于机器学习方法

摘要：

为能更加准确地模拟出兰州市近地面臭氧浓度,在CMAQ(社区多尺度空气质量建模系统)的基础上,利用机器学习方法中的XGBoost(极限梯度提升)模型及LSTM(长短期记忆)神经网络模型建立近地面臭氧模拟结果的订正模型,并以两种方法为基础,利用误差变权倒数组合方法构建LSTM-XGBoost组合模型,以期进一步提高订正效果.本文选取兰州市4个国控站点(兰炼宾馆,铁路设计院,榆中校区,生物制品所)2019年7、8月环境空气质量监测数据及兰州市气象站同期气象数据,对CMAQ模拟的同时段兰州市近地面臭氧浓度进行订正.结果表明,CMAQ能够模拟出兰州市近地面臭氧浓度的空间及时间分布特征,但整体上对浓度有所低估.利用上述方法构建的订正模型中,LSTM-XGBoost组合模型的订正效果最好,臭氧相关性由CMAQ模拟的0.61～0.76提升至0.89～0.95,臭氧8h平均相关性由0.65～0.79提升至0.81～0.88,臭氧RMSE由44.83～70.17μg/m3提升至15.21～26.53μg/m3,臭氧8h平均RMSE由40.07～67.57μg/m3提升至14.24～28.54μg/m3.该研究表明利用机器学习方法对CMAQ模拟结果订正可行,可以改善环境空气质量模式模拟结果.

关键词：CMAQ、近地面臭氧、机器学习、LSTM、XGBoost、误差变权倒数组合

所属期刊栏目：42

分类号：X511(大气污染及其防治)

资助基金：兰州大学中央高校基本科研业务费专项资金自由探索项目lzujbky-2017-65

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：5472-5483