可解释性随机森林模型在O3浓度预测中的应用.pdf

摘要

近年来，我国臭氧（O）污染突出，部分地区出现反弹趋势，O污染已经超过

33

PM污染，成为我国空气质量的主要威胁。O污染对公众健康构成危害，降低经济

2.53

和社会发展质量。因此，对O3污染进行高时空分辨率的准确预测不仅可以帮助相关

部门对可能发生的污染启动应急预案、展开污染减排，以避免公众暴露于高浓度污

染物中，也可以提醒敏感人群更合理地安排出行，实现保护公共健康的目标。

本研究以华北平原西南地区5个城市作为研究对象，基于机器学习算法中的可

解释性随机森林（RF）模型，构建了O3网格化逐时预测模型，并利用SHAP识别和

解释各因素对O3形成的影响，将多模型系统WRF-MEIC-CMAQ模拟的大气污染物

和气象数据作为可解释性RF模型的输入特征，预测未来7天的O污染情况。

3

本研究中可解释性RF模型预测的O3浓度与O3观测浓度之间的相关系数R2为

33

0.82、MAE为15.15μg/m、RMSE分别为20.29μg/m，能够较好地预测研究区域的

O浓度。相关性分析、特征重要性和SHAP(SHapleyAdditiveexPlanations)驱动因素

3

解析结果表明温度（T）、NO2和相对湿度（RH）是影响华北平原西南地区O3预测

的主要特征，而风速风向的权重较低，故当地O3可能主要来自本地光化学反应形成。

温度对O浓度的影响表现为单调正相关；NO和RH对O浓度的影响呈η型或单调

323

负相关。不同季节O3易发生污染的条件如下：春季和秋季发生O3污染的空气质量

和气象特征均为NO2浓度较高、温度较高时；夏季在高温无降水天气下需要警惕臭

氧污染发生；在冬季，当NO2浓度较高时，应警惕出现高O3浓度。最后，基于

CommunityMultiscaleAirQuality(CMAQ)模式系统和TheWeatherResearchand

ForecastingModel(WRF)提供的输入特征，利用可解释性RF模型对未来O浓度进行

3

预测。该模型在各站点平均预测准确率达70%，污染事件命中率达86%，较好地预

测了未来O污染情况，可以用于指导当地的污染防控。

3

关键词：可解释性随机森林CMAQSHAPO3预测

Abstract

Inrecentyears,theproblemofOpollutioninChinahasbecomeprominent,witha

3

reboundtrendinsomeareas.OpollutionhasnowsurpassedPMpollutionandhasbecome

32.5

themainthreattoairqualityinChina.Opollutionnotonlyposesathreattopublic