基于自动机器学习集成模型的日NO₂模拟

来源：环境科学杂志2024年第1期北京时间：

作者：卢凯凯,李净,刘德仁,徐发昭,张玉娜,朱世鑫

单位：西北师范大学地理与环境科学学院, 兰州 730070,西北师范大学地理与环境科学学院, 兰州 730070,兰州交通大学土木工程学院, 兰州 730070,西北师范大学地理与环境科学学院, 兰州 730070,西北师范大学地理与环境科学学院, 兰州 730070,西北师范大学地理与环境科学学院, 兰州 730070

摘要：为深入了解近地面NO₂的空间分布,以长江三角洲地区为研究区,利用NO₂站点实测数据和结合对流层观测仪（TROPOMI）的NO₂柱浓度数据,充分考虑人口、高程和气象因素对NO₂的影响,利用自动机器学习选取了模拟精度较高的5种机器学习算法：ET、RF、XGBoost、LightGBM和Catboost,并将这5种算法利用Stacking模型进行集成后对2020年3月至2021年2月长三角地区逐日NO₂浓度进行了模拟. 结果表明,Stacking集成模型的RMSE和MAE值分别为7.078和5.270,其精度优于ET、RF、XGBoost、LightGBM和Catboost这5种单一的算法；长三角三省一市的NO₂高浓度值空间分布基本呈现以三省交汇处为中心口朝西南方向的U字形格局,以上海市、杭州市、南京市和合肥市为中心形成的城市群污染尤为显著,超过国家标准日限制的城市共27个,常州市是NO₂污染最严重的城市,NO₂浓度超标14 d,其次是上海市,超标13 d. NO₂浓度季节分布特点为：冬季>秋季>春季>夏季,其中夏季7月9日NO₂污染最轻,冬季12月23日NO₂污染最严重.

关键词：自动机器学习,NO2,集成模型,遥感,时空分布,