隨機森林模型在太原市細顆粒物濃度預測中的應用.pdf

1、作為大氣中污染最重的污染物—首要污染物，它的濃度是一項重要的空氣質(zhì)量指標。因此面對日益嚴峻的空氣質(zhì)量狀況，及時開展首要污染物濃度的預報、預警工作顯得尤為重要。太原市作為我國典型的能源化工基地，大氣污染長久以來一直比較嚴重，空氣質(zhì)量問題備受政府和市民的關注，對太原市的大氣污染問題進行深入研究迫在眉睫。
　　首先，本文以太原市2013年12月1日至2016年12月31日的逐日空氣質(zhì)量監(jiān)測數(shù)據(jù)和對應的地面氣象數(shù)據(jù)資料為基礎，對其近三年的

2、空氣質(zhì)量狀況、首要污染物的分布特征進行描述性統(tǒng)計分析，發(fā)現(xiàn)太原市大氣污染中的首要污染物主要為顆粒物：PM10和PM2.5，其中PM10是春夏季節(jié)主要的首要污染物，PM2.5是秋冬季節(jié)主要的首要污染物。另外，太原市在2014-2016年間達到“中度污染”及以上的天氣共138天，其中：春夏季節(jié)占17天，秋冬季節(jié)占121天。鑒于太原市秋冬季節(jié)的空氣質(zhì)量較差，本文僅對秋冬季節(jié)的PM2.5濃度進行預測。
　　其次，系統(tǒng)性地闡述了本文所用的隨

3、機森林模型的相關理論知識。然后，本文在借鑒其他學者研究方法的基礎上，從空氣污染物與氣象因素的角度出發(fā)，收集了可能影響PM2.5濃度的關鍵因素，并利用Pearson相關系數(shù)和Spearman秩相關系數(shù)分析了PM2.5濃度與這些因素之間的相關性。
　　最后，通過10折交叉驗證法，建立基于隨機森林算法的PM2.5濃度預測模型，并與傳統(tǒng)的線性回歸模型、Boosting回歸模型及支持向量回歸模型進行對比研究。結(jié)果表明，預測性能指標NMSE、