基于粒子群优化XGBoost模型的PM_2.5质量浓度反演

来源：环境科学杂志2025年第1期北京时间：

作者：刘倩,王兆茹,胥寒莉,连伟海,陈优良

单位：江西理工大学河流源头水生态保护江西省重点实验室, 赣州 341000,江西理工大学土木与测绘工程学院, 赣州 341000,江西理工大学资源与环境工程学院, 赣州 341000,江西理工大学河流源头水生态保护江西省重点实验室, 赣州 341000,江西理工大学土木与测绘工程学院, 赣州 341000,龙岩市勘察测绘大队, 龙岩 361000,江西理工大学河流源头水生态保护江西省重点实验室, 赣州 341000,江西理工大学土木与测绘工程学院, 赣州 341000

摘要：PM_2.5作为大气污染的主要污染源,对人体健康构成了严重威胁,研究PM_2.5质量浓度估算方法有助于识别污染源,优化空气质量管理措施,进而有效改善城市环境质量. 为了获得大范围PM_2.5质量浓度空间分布,提高PM_2.5估算精度,提出一种粒子群优化XGBoost的模型（PSO-XGB）,引入粒子群优化算法（PSO）对XGBoost参数进行优化,通过集成中分辨率成像光谱仪（MODIS）的气溶胶光学厚度产品（AOD）和气象数据构建基于PSO-XGB的PM_2.5质量浓度反演模型,随后对2022年全国PM_2.5质量浓度数据分年度和季节进行反演,并使用十折交叉验证法评估PSO-XGB模型性能,最后使用全国7 a和仅1 a的PM_2.5质量浓度数据分别输入模型进行训练,分析数据量对模型性能的影响. 结果表明,PSO-XGB模型能够有效反演PM_2.5质量浓度,且整体R2达到0.9以上,其中冬季的反演效果最好,R2为0.98、秋季R2为0.96、夏季R2为0.90及春季R2为0.89. 同时通过对比分析得出,数据量的多少对于优化模型的反演性能基本没有影响,而将数据按时间序列划分为适当的段,即划分季节,能够更准确地评估模型性能的稳定性和适用性.

关键词：PM2.5,机器学习,反演,气溶胶光学厚度（AOD）,XGBoost模型,影响因素,