基于集成树提升与线性模型的伊朗大不里士PM2.5短期及多日预测:多站点外部验证与关键驱动因子解析

《Heliyon》:Machine learning approaches for short- and multi-day PM2.5 prediction in Tabriz, Iran

【字体: 大 中 小 】 时间:2026年10月21日 来源:Heliyon 3.6

编辑推荐:

  细颗粒物(PM2.5)的准确预报对有效城市空气质量管理和公众健康保护至关重要。研究人员开发机器学习(ML)模型,利用2013—2023年逐小时数据并以2024年测量结果进行外部验证,预测伊朗大不里士三个城市监测站的PM2.5

  
细颗粒物(PM2.5)的准确预报对有效城市空气质量管理和公众健康保护至关重要。研究人员开发机器学习(ML)模型,利用2013—2023年逐小时数据并以2024年测量结果进行外部验证,预测伊朗大不里士三个城市监测站的PM2.5浓度。研究人员开展短期(提前6、12、24 h)和多日(24、48、72 h平均)预测。纳入滞后PM2.5值、短期温度预报和日天然气消费量,以捕捉时间效应和人为效应;邻近站点数据用于表征空间依赖。树基提升算法,尤其是极端梯度提升(XGBoost)和分类提升(CatBoost),在短期预报中优于其他模型(例如6 h预测决定系数R2=0.82,均方根误差RMSE=6.59 μg/m3),而线性回归和神经网络(Neural Networks)等较简单模型在较长预报时段取得可比RMSE。特征重要性分析识别环境温度、近期PM2.5浓度和燃气消费量为主要预测因子。模型在外部验证下保持稳健性能,显示其用于业务化空气质量预报和城市污染缓解的潜力。
空气污染是重要全球环境挑战,细颗粒物(PM2.5,空气动力学直径≤2.5 μm的颗粒物)可深入呼吸系统并进入血液,与严重心血管和呼吸系统疾病相关。全球PM2.5污染造成大量过早死亡和疾病负担,伊朗包括大不里士在内的主要城市PM2.5浓度呈增加趋势,并与心血管、呼吸系统疾病发病和过早死亡相关。确定性模型虽可解释污染物扩散机制,但计算密集且依赖复杂领域知识;基于简化假设的传统数值和统计方法难以捕捉PM2.5高度非线性和时空动态。此前大不里士PM2.5研究常存在监测期短、空间覆盖有限和气象记录不完整等问题。为此,研究人员利用2013—2023年十年逐小时综合数据集,整合八个空气质量监测站、一个气象站、多种气象参数、归一化植被指数(NDVI,反映植被覆盖的遥感指标)和天然气消费数据,构建短期和多日PM2.5预报模型,以支持政策制定者、城市规划者和公共卫生部门及时决策、实施针对性减缓策略、减少暴露并改善医疗系统准备。

关键技术方法(不超过250字):采用CRISP-DM(跨行业数据挖掘标准流程)框架;样本队列来源为大不里士8个空气质量站和1个气象站2013-03-21至2023-03-21逐小时数据(最终采用Tabriz Airport站,Tabriz East因缺测和质量问题排除),并以2024年观测独立验证;空气质量、气象、燃气和NDVI数据分别来自East Azerbaijan Department of Environment、National Meteorological Organization、East Azerbaijan Gas Company及Landsat 8/9。方法包括多源数据逐小时对齐(常数复制非插值)、Z-score异常识别与核验、按邻近站点聚合成3站、极端梯度提升(XGBoost,梯度提升树集成算法)插补缺失、构建滞后PM2.5、短期温度预报、邻站、燃气消费和NDVI特征;比较随机森林(RF,决策树装袋集成)、梯度提升(GB)、XGBoost、CatBoost、AdaBoost、决策树(DT)、线性回归(LR)和神经网络(NN);5折交叉验证训练,2024年独立测试,用均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R2)评价,并以置换重要性和SHAP(Shapley Additive exPlanations,基于Shapley值的模型解释方法)解释。

研究结果:
3.1 PM2.5的日变化:通过分析2013—2023年三站日均PM2.5序列,得出明显季节循环,秋冬较高、春夏较低,与冬季居民采暖、温度逆温、低风速和大气混合受限有关;十年均值站点1为23.28 μg/m3、站点2为21.19 μg/m3、站点3为18.26 μg/m3,站点2有短期高污染事件,站点1长期均值最高,站点3最低。
3.2 模型性能评估:
3.2.1 提前6、12、24 h的PM2.5浓度预测:通过训练集比较多种模型,得出树基提升模型精度最高,XGBoost在站点1的6 h预测中R2=0.82、RMSE=6.59 μg/m3、MAE=3.98 μg/m3;站点2和3的6 h预测也较高;12 h和24 h预测性能下降;AdaBoost和CatBoost次之,RF和GB中等,DT、LR和NN较低;预测时效延长时R2下降、RMSE和MAE上升。
3.2.2 提前24、48、72 h的24 h平均PM2.5浓度预测:通过24 h平均多日预测,得出时间平均提高稳定性并缩小复杂与简单模型差距;站点1训练中RF的24 h预测R2=0.72、RMSE=7.14 μg/m3,LR和NN约R2=0.70;站点2 RF和CatBoost较优;站点3 LR和NN在24 h和48 h预测中R2=0.82、RMSE=4.41 μg/m3;从24 h到72 h性能仅轻度下降。
3.3 外部验证:
3.3.1 6、12、24 h PM2.5浓度预测的外部验证:通过2024年独立小时数据验证,得出模型具有泛化能力,提升和集成模型总体优于线性和简单模型;站点1 RF和AdaBoost较高;站点2 RF、CatBoost和AdaBoost在24 h仍较稳定,LR和NN略低;站点3 RF和CatBoost在6 h预测中R2约0.64—0.67,24 h约0.50—0.57。
3.3.2 多小时平均PM2.5预测的外部验证:通过2024年独立数据验证24、48、72 h平均预测,得出时间平均降低短期波动并稳定性能;站点1 LR在24 h预测中R2=0.85、RMSE=5.45 μg/m3、MAE=3.66 μg/m3,GB接近;48 h和72 h轻度下降;站点2 LR在24 h和48 h R2约0.81和0.80,72 h降至0.66;站点3 LR和NN在24 h和48 h R2=0.81,72 h约0.67;简单模型可用于可靠多日均值预测,集成方法在若干情景保持较高精度。
3.4 观测与预测PM2.5浓度比较:通过最佳模型的观测—预测散点比较,得出6 h预测最接近1:1线,12 h和24 h离散度增加;站点1 AdaBoost略低估高浓度;站点2 CatBoost在30—60 μg/m3中段残差变异较大;站点3 RF聚集最紧、残差散布最小;较暖条件尤其24 h预测误差较大。
3.5 特征重要性分析:
3.5.1 基于跨站点和预报时段R2下降的特征重要性分析:通过置换重要性/R2下降分析,得出滞后PM2.5和能见度在6 h和12 h最重要;温度(滞后和瞬时)持续重要;日用天然气消费在站点3和较长时段重要;气压、太阳辐射和日照影响随时效变化,能见度和气压对短时更关键,太阳辐射和日照在12—24 h作用增大;PM2.5持续性在各站均为有意义的预测因子。
3.5.2 使用Explain Model解释模型行为:通过SHAP/Explain Model小提琴图,得出站点1的6 h预测中能见度和小时影响最分散,能见度低对应PM2.5预测升高;12—24 h温度和气压主导;站点2滞后温度呈双向非线性影响,燃气消费在较长时段正相关,辐射和日照在12—24 h相关;站点3燃气和温度在各时段主导,燃气消费增加尤其冷条件下提高预测PM2.5,能见度和气压在6 h呈负影响,较长时段太阳辐射和NDVI呈轻微负影响。

讨论部分总结:研究结果与近期国际研究一致,树基提升模型在短期PM2.5预测中表现突出;时间平均提高信噪比,使LR和NN等简单模型在较长时段接近集成模型;2024年外部验证显示模型具有泛化能力;站点间可预测性差异不仅受基线PM2.5浓度和变异性影响,还受局地条件、预报时段和模型特征影响,混合建模框架可能更适合平衡不同预报时段性能。限制包括数据缺口与常数复制、站点聚合掩盖局地热点、XGBoost插补可能的信息泄漏风险、随机5折交叉验证未显式保持时间顺序、未纳入卫星气溶胶光学厚度和行星边界层高度、建模环境优化灵活性有限、未提供不确定性量化,以及交通密度和化石燃料消费数据不可得。

研究结论(翻译):该研究在CRISP-DM(跨行业数据挖掘标准流程)框架内,采用机器学习算法全面研究了伊朗大不里士三个城市监测站的PM2.5预报。对于短期预测(6、12、24 h),XGBoost和CatBoost等树基提升模型始终优于其他算法,其中XGBoost在站点1的6 h预报中达到R2=0.82、RMSE=6.59 μg/m3。短期预报主要受能见度、温度和日变化模式影响,而较长时段平均预测(24、48、72 h)更多受预测温度趋势、能源消费和太阳辐射影响。包括线性回归和神经网络在内的较简单模型在较长时段表现出与集成方法相当的性能;例如线性回归在站点1的24 h平均预报中达到R2=0.85、RMSE=5.45 μg/m3。十年平均PM2.5浓度(站点1—3分别为23.28、21.19和18.26 μg/m3)显示污染水平存在明显空间差异。然而,模型可预测性随预报时段和所用算法在不同站点间变化,表明预测性能不能仅归因于基线PM2.5浓度或变异性的差异。时间平均有效降低噪声并增强模型泛化,在较长时段缩小模型间性能差异。站点特异性差异突出局地土地利用和排放强度的共同作用,强调在PM2.5建模中纳入气象和人为决定因素的重要性。总体而言,研究结果强调依据预测时段和数据特征选择预报算法的关键作用,并提示采用周期重训和整合本地解释变量的混合集成方法更适合业务化空气质量管理。基于研究发现,研究人员建议大不里士城市空气质量管理在短期PM2.5预报中优先采用XGBoost和CatBoost等基于提升的集成模型,而线性回归等较简单模型可有效用于多日平均预测。此外,将包括温度和天然气消费在内的本地气象和人为变量纳入业务预报系统,可提高准确性并支持及时的公共卫生预警。未来研究可通过整合卫星观测和交通排放等额外数据源、开发结合提升和深度学习的混合模型,以及应用自适应或在线学习策略捕捉不断变化的排放模式,来增强PM2.5预报。实时预报的业务化部署以及将该方法推广至其他污染物或城市区域也是有望方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号