基于机器学习预测地面臭氧浓度

研究概述

随着工业的发展和汽车拥有量的增加，人为排放的氮氧化物及挥发性有机物正在增加，复杂的大气污染（如光化学烟雾）严重影响人类健康和生态环境。因此，研究大气污染物的预测方法，建立大气污染物的即使预警机制，对于改善城市空气质量，指定控制策略具有重要的应用价值。

大气污染预测方法一般可分为数值预测和统计预测。它们大多基于线性回归理论，假设污染物浓度与污染源不直接相关，难以应用于非线性强耦合系统。而臭氧浓度预测涉及非线性、强耦合和多元问题，因此无论是数值预测还是统计预测都将是一项非常复杂的系统工程。

近年来，随着计算机技术的发展，人工智能和机器学习理论得到了广泛的研究和应用，基于统计理论的机器学习方法在处理非线性问题方面表现出出色的性能。

本研究中，作者利用2014-2016年夏季臭氧观测数据进行研究，旨在探讨基于南京地区实测数据应用支持向量机回归（SVR）和核极限学习机（KELM）模型预测臭氧小时浓度的可行性，并尝试用小波变换（WT）和偏最小二乘法（PLS）对两种模型进行优化，并比较其性能。这些混合模型为大气污染物浓度预测提供了新的选择和优化思路。

研究方法

利用2014-2015年夏季臭氧数据作为训练集，2016夏季臭氧作为测试集来探究机器学习预测地面臭氧浓度的可行性。

对比了四种预测臭氧浓度的方法，包括三种机器学习法（SVR，KELM，BPNN-反向传播神经网络）、一种传统逐步回归法（SR），其中利用小波转换对臭氧原始浓度时间序列进行5级小波分解，并采用偏最小二乘法（PLS）提取重要特征以达到优化模型的效果。

结果与讨论

Figure1. Comparison of prediction effect of the SVR, KELM, BPNN and SR.

图一为四种方法分别输入所有变量的预测效果图，用散点图来描述观测值与预测值之间的关系，当两个数据集的一致性越高，越多的点趋向于集中在图中被标记为理想拟合的同等值线附近，其中KELM性能最好。

Figure2. Predictions of the SVR–WT, KELM–WT, SVR–WT–PLS and KELM–WT–PLS.

图二直观地显示了模型预测和观测结果。KELM和SVR对臭氧小时浓度拟合较理想，能够更准确地捕捉臭氧浓度的峰谷值。随着WT和PLS等优化方法的加入，两种模型的高低值预测都在不同程度上更接近观测值。随着臭氧浓度的增加，预测工作更加困难，各模型对臭氧高级别的预测精度均低于中低层。然而，经过WT和PLS方法的优化，模型对臭氧浓度的预测精度有了很大的提高。

参考文献

X.Q. Su, J.L. An, Y.X. Zhang, P. Zhu, B. Zhu. Prediction of ozone hourly concentrations by support vector machine and kernel extreme learning machine using wavelet transformation and partial least squares methods. Atmos Pollut Res, 11 (2020). 51-60

主讲人简介

莫佳佳，2018年毕业于广西大学环境学院，2021年毕业于暨南大学环境与气候研究院，现为南方科技大学傅宗玫课题组科研助理。

研究方向：基于机器学习模拟预测城市臭氧污染事件等。