基于因果分析的机器学习模型在空气质量预报中的构建及评估——以广州市为例
云翔1
张璐瑶2
刘子菁3
翟志宏1
蔡顺明4
朱丽媛4
何耀斌4
1.广东省气象数据中心,广东 广州 5106402.中国气象局广州热带海洋气象研究所,广东 广州 5106403.广州气象卫星地面站,广东 广州 5106304.广州市荔湾气象局,广东 广州 510150
摘要：近年广州市大气污染的主要问题是持续性污染逐渐增多,O3污染比例明显增多.为提高空气质量预报能力,基于环境监测数据和气象观测数据,使用梁氏-克里曼信息流对影响CO、NO2、O3、PM2.5、PM10、SO2大气污染物浓度的数据进行因果分析筛选影响因子,基于随机森林(RF)、极限梯度提升(XGboost)和长短期记忆神经网络(LSTM)算法进行融合建模共得到RF、XG、LSTM及融合模型MIX1、MIX2共5个污染物浓度预报模型,进而计算AQI和首要污染物,得到5个空气质量预报模型.结果表明,MIX1、MIX2融合模型整体优于RF、XGboost和LSTM单一模型.对于污染物浓度预报,MIX1模型CO、NO2、O3浓度预报最优,MIX2模型PM10、PM2.5、SO2预报最优.对于空气质量预报,提前1～2天的预报MIX2模型最优,提前3～7天的预报MIX1模型最优.MIX1、MIX2模型1～7天的首要污染预报准确率分别为71.26%～83.33%、73.71%～81.11%.MIX1、MIX2模型提前1～3天的污染物浓度和空气质量预报及提前1～7天的首要污染物预报可信度较高,可以为环境管理部门采取适当的控制措施提供参考.
关键词：机器学习因果分析空气质量预报
分类号：P437(动力气象学)
资助基金：广东省气象局科技项目(GRMC2023M10)广东省气象局科技项目(GRMC2025Q42)中国气象局气象干部学院科研项目(2025CMATCQN16)广州市气象学会科学技术研究项目(Z202326)
论文发表日期：2026-02-28
在线出版日期：2026-03-25（本平台首次上网日期，不代表文献的发表时间）
页数：21( 132-152 )
英文信息