摘要
利用成都市2017年10~12月浊度计、黑碳仪和GRIMM180环境颗粒物分析仪的逐时观测数据,结合该时段同时次大气能见度(V)、相对湿度(RH)和二氧化氮(NO2)监测资料,基于Mie散射理论和免疫进化算法反演气溶胶粒径吸湿增长因子.首先,以RH、CBC、CBC/CPM1、CPM1/CPM2.5以及CPM2.5/CPM10作为解释变量集 (CBC、CPM1、CPM2.5、CPM10分别为BC、PM1、PM2.5、PM10的质量浓度),构建了三种气溶胶粒径吸湿增长因子的机器学习模型(XGBoost模型、CatBoost模型和LightGBM模型) ,对应的决定系数(R2)分别为0.869、0.893和0.898,均方根误差(RMSE)分别为0.108、0.097和0.090,平均绝对误差(MAE)分别为0.061、0.054和0.052.其次,对XGBoost模型、CatBoost模型和LightGBM模型开展了测试,气溶胶粒径吸湿增长的机器学习模型显著降低了传统单变量气溶胶粒径吸湿增长模型在高湿条件下的模拟偏差,也提升了气溶胶粒径吸湿增长多变量GAM模型的计算精度.最后,分析了不同解释变量对机器学习模型模拟效果的影响,确认了黑碳是气溶胶吸湿增长模型的主控变量.上述研究进一步阐明了气溶胶粒径吸湿增长因子多因素影响的复杂性,并为其模型的科学表征提供了新途径.
- 单位