兰州市CMAQ近地面臭氧模拟结果的订正方法研究——基于机器学习方法

作者：周恒左; 陈恒蕤; 廖鹏; 孔祥如; 潘峰; 杨宏

来源：中国环境科学, 2022, 1-13.

DOI：10.19674/j.cnki.issn1000-6923.20220930.001

• CMAQ
• 近地面臭氧
• 机器学习
• LSTM
• XGBoost
• 误差变权倒数组合

为了能更加准确地模拟出兰州市近地面臭氧浓度，在CMAQ（The Community Multiscale Air Quality Modeling System）模式的基础上利用机器学习方法中的XGBoost （eXtreme Gradient Boosting）模型及LSTM（Long Short-Term Memory）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（Long Short-Term Memory- eXtreme Gradient Boosting）组合模型，以期进一步提高订正效果.本次研究选择兰州市四个国控站点:兰炼宾馆，铁路设计院，榆中校区，生物制品所，选取2019年7、8月环境空气质量监测数据及兰州市气象站2019年7、8月气象数据，对利用CMAQ模拟的2019年7、8月兰州市近地面臭氧浓度进行订正.结果表明:1 CMAQ模式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，但是整体上对浓度有所低估.2 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0.61-0.74提升到0.89-0.95，臭氧八小时平均相关性由0.65-0.79提升到0.81-0.88臭氧RMSE（Root Mean Square Error）由44.83-70.17μg/m3提升到15.21-26.53μg/m3.臭氧八小时平均RMSE由40.07-67.57μg/m3提升到14.24-28.54 μg/m3.利用机器学习方法对模式模拟结果进行订正可行，可以改善环境空气质量模式模拟结果.

• 单位
  兰州大学