基于混合机器学习与数据同化技术的丹麦哥本哈根街道级NO2和PM2.5浓度预测(2001–2018年)
《Atmosphere》:Hybrid Machine Learning and Data Assimilation for Street-Level NO2 and PM2.5 Prediction in Copenhagen, Denmark (2001–2018)
【字体:
大
中
小
】
时间:2026年07月01日
来源:Atmosphere 2.6
摘要
在欧洲城市中,街道层面的二氧化氮(NO2)和细颗粒物(PM2.5)浓度对公共健康构成严重威胁,但在以交通活动为主的区域进行精确的多年度预测仍面临挑战。本研究采用XGBoost(XGB)和随机森林(RF)模型,利用17年的观测数据对丹麦哥本哈根的两个街道监测点的每小时二氧化氮浓度和每日细颗粒物浓度进行预测,并以另外两年 的数据作为验证。随后,研究运用三维变分同化(3D-Var)和扩展卡尔曼滤波器(EKF)方法,结合同一位置的观测数据对机器学习模型的预测结果进行后处理修正。在2018年的测试中,XGB模型在HCAB和JGTV监测点分别实现了9.5和7.4微克/立方米的RMSE值。两种数据同化方法均显著提升了预测精度,其中3D-Var方法使二氧化氮浓度的RMSE降低了57%,峰值事件的RMSE降低了51%。EKF方法则几乎完全消除了所有配置下的系统偏差。该框架计算成本较低,可应用于监测站内的任何确定性模型预测结果,包括基于物理和化学原理的气体扩散模型输出。总体而言,这些研究结果为提升街道层面的空气质量预测提供了实用方法,对实际预报工作和公共健康保护具有重要意义。
生物通微信公众号
生物通新浪微博
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