基于GTWR-XGBoost模型的四川省PM2.5小时浓度估算
来源：环境科学杂志2023年第1期北京时间：
作者：吴迪,杜宁,王莉,吴宇宏,张少磊,周彬,张显云
单位：贵州大学矿业学院, 贵阳 550025,贵州大学矿业学院, 贵阳 550025,贵州大学矿业学院, 贵阳 550025,贵州大学矿业学院, 贵阳 550025,贵州大学矿业学院, 贵阳 550025,贵州大学矿业学院, 贵阳 550025,贵州大学矿业学院, 贵阳 550025
摘要：卫星气溶胶光学厚度（AOD）和气象数据已被广泛用于估算空气动力学直径≤2.5 μm的地表颗粒物（PM2.5）浓度.研究高时间分辨率、高精度的PM2.5浓度估算方法，对及时准确的空气质量预报和大气污染的预防及缓解具有重要意义.使用Himawari-8 AOD小时产品和ERA5气象再分析资料作为估算变量，提出GTWR-XGBoost组合模型，对四川省PM2.5小时浓度进行估算.结果表明：①提出的组合模型运用于全数据集的性能优于KNN、RF、AdaBoost、GTWR、GTWR-KNN、GTWR-RF和GTWR-AdaBoost模型，拟合精度指标R2、MAE和RMSE分别为0.96、3.43 μg ·m-3和5.52 μg ·m-3，验证精度指标R2、MAE和RMSE分别为0.9、4.98 μg ·m-3和7.92 μg ·m-3.②该模型作用于PM2.5浓度小时估算上，具有较高的拟合优度（全数据集的R2为0.96，不同时刻的R2介于0.91~0.98之间），表明该模型对于小时估算具有较好的时间稳定性，能为区域空气质量评估提供精准的估算信息.③在时间上年均PM2.5小时浓度估算变化总体上呈现"倒U"型趋势，09：00开始升高至11：00达到峰值［ρ（PM2.5）为44.56 μg ·m-3］后逐渐降低；且季节性变化非常明显，呈现冬季>春季>秋季>夏季的趋势.④在空间分布上总体呈现东高西低和局部污染程度较高的特点，高值区主要分布在城市快速发展和人口密集的东部地区，低值区主要分布在经济发展落后和人口稀疏的西部地区.
关键词：PM2.5,Himawari-8 AOD,GTWR-XGBoost模型,机器学习,时空分布,
