基于机器学习的2016-2020年南京市ρ（O3）预报.pdf

利用南京市2 0 16 年1月1日-2 0 2 0 年12 月31日城市空气质量监测站点的p(NO）、p(O）、p(PMlo)、p(CO)和p(PM2.)逐小时观测资料，分析南京的O,污染特征.使用随机森林重要度评估法筛选出对p(O,)影响较大的污染物因子、污染持续性因子和气象因子作为机器学习预报模型的输人变量。采用随机森林算法(RF)和支持向量机算法(SVM)建立南京市不同季节的p(O,)预报模型，对比分析两种模型的预报效果，结果表明，近5a南京市p(O,)的日变化整体呈单峰型，午后较高；p(O,)具有明显的季节变化特征，夏季较高；2 0 16-2 0 2 0 年p(O）的年际变化总体呈下降趋势，且p(O,)的超标天数在减少，说明南京市政府实施的O,治理措施有明显效果；RF和SVM算法均能较好地预测p(O,),预测值与观测值较为接近；相较于RF模型，SVM四季模型的预测值与观测值的相关系数更接近1,均方根误差与平均绝对误差都较小，预报效果较优。关键词：机器学习；随机森林；支持向量机；臭氧；预报中图分类号：P456文献标识码：A文章编号：0 455-2 0 59(2 0 2 3)0 3-0 37 1-0 9D0I:10.13885/j.issn.0455-2059.2023.03.012A prediction of Nanjing City p(Os)from 2016 to 2020 basedon machine learningYASHENG Dilinuer,WANG Tian-yu,CHEN Jin-che,LI Xu,LEI Yu-hong,WANG Xing-yu,XIE Xiang-shan,SUN Cai-xia,WANG Jin-yan1.Key Laboratory of Arid Climatic Changes and Disaster Reduction of Gansu Province,College of Atmospheric Sciences,Lanzhou University,Lanzhou 730000,China2.No.63680 Troops of Peoples Liberation Army of China,Jiangyin 214400,Jiangsu,ChinaAbstract:The hourly observation data on p(NO,),p(O,),p(PM,o),p(CO)and p(PM,.s)in Nanjing Cityquality monitoring points from 2016-01-01 to 2020-12-31 were used.The characteristics of O,pollutionin the city were analyzed.The random forest importance assessment method was used to screen out thepollutant factors,pollution persistence factors and meteorological factors that had a great impact on p(O,)as the input variables of the machine learning prediction model.Random forest algorithm(RF)and sup-port vector machine algorithm(SVM)were used to establish the p(O,)prediction model in differentseasons in Nanjing City,and the prediction effects of the two models were compared and analyzed.The results showed that the diurnal variation of p(O,)in recent 5 years presented a single-peak pattern,收稿日期：2 0 2 2-0 4-12修回日期：2 0 2 2-10-12基金项目：国家重点研发计划项目(2 0 2 0 YFA06084);甘肃省科技厅科技计划项目(2 1JR7RA501,21JR7RA497)作者简介：李旭(19 8 3-)，男，甘肃天水人，高级实验师，博士，e-mail:，研究方向为现代天气和环境预报技术，通信联系人.372兰州大学学报（自然科学版），2 0 2 3，59(3)and the afternoon p(O,)was high.The p(O,)had an obvious seasonal variation,and the p(O,)was higherin summer.From 2016 to 2020,the interannual variation of p(O,)sh generally showed a downward trend,and the number of days of O,exceeding the standard also decreased,indicating that the O,control mea-sures implemented by the Nanjing government had had obvious effects.Both RF and SVM algorithmcould predict p(O,)well,and the predicted values were close to the actual observed values.The corre-lation coefficient between the predicted and the actual observed values of the SvM four season modelswere closer to 1,the root mean square error and the mean absolute error smaller,and the prediction effectoptimized.Key words:machine learning;random forest;support vector machine;ozone;forecast0，作为大气中重要的微量成分，约9 0%存在于平流层，仅10%左右存在于对流层 近地面0，是一种对生物有害的大气污染物，在一定条件下由氮氧化物(NO)及挥发性有机物(VOCs)等前体物相互作用而生成，是光化学污染的主要组成部分.对流层中的O，属于温室气体，通过吸收地-气系统的长波辐射加热大气2 .近年来，中国大多数城市的空气质量持续改善，尤其是秋、冬季的细颗粒物污染下降明显，但春、夏季O污染呈上升趋势了解O,的来源、形成与发展机制，加强p(O,)的实时监测与预报，建立有效的大气污染物预警机制，提出合理的大气污染物治理措施，对改善城市空气质量具有重要意义。统计预报是通过分析污染物发展规律进行预测的方法。统计回归模型是根据实际观测值与预测值的比较结果，应用历史时期的污染物质量浓度资料、气象资料等进行诊断预测4-5.常用的统计预报方法有回归分析法、相关分析法、建立线性与非线性模型等统计模型运算量小、易操作、使用方便、易于实现，避免了数值预报的弊端.肖旖施等6 利用2 0 19 年泸州市主城区的气温、湿度及p(O)数据，建立了以日最高气温、日平均湿度为输入变量的双因子p(O.)预测模型，预测结果与实际观测值的相关系数为0.9 3，效果良好.史霖等7 利用2 0 17 年银川5-7 月0,日最大8 h质量浓度p(O.)s与当日14:0 0(北京时间，下同)的气温、相对湿度和风速进行线性多项式拟合，预测8 月午后的p(O,)，拟合的R=0.653，效果良好.蒋璐璐等18)利用宁波2 0 10-2 0 13年p(O）、p(PM l o)、p(SO)及p(NO,)日均值观测数据及气象要素数据进行显著性分析，将通过显著性检验的数据作为自变量，进行逐步回归分析，建立宁波市日均p(O)预测方程，模型的预测值与实际观测值的相关系数为0.6,能较好地预测日均p(O,),但对一些极高或极低值存在一定偏差.基于机器学习算法的空气污染预报模型无需源排放清单，已大量应用于各项研究。常用的机器学习方法有随机森林(randomforest,RF)、支持向量机(supportvectormachine,SVM)、人工神经网络、决策树等.马润美等9 利用2 0 13-2 0 16 年京津冀地区9 5个气象监测站点的数据，包括气象数据、地理类变量数据、社会经济数据、模拟产品数据以及站点位置数据，根据RF算法的重要度排序筛选变量，针对平均p(O,）h 建立随机森林模型，决定系数为0.8 5，预测性能较好.王鹏等10 利用皮尔逊相关分析、主成分分析和RF模型建立了长江三角洲地区p(PM2.5)的预测模型，对p(PM.)的预测表现较好，且在长江三角洲中西部城市的预测效果优于东部沿海城市.HONGII利用循环人工神经网络和SVM混合模型探测降雨深度值，并采用混沌粒子群优化算法对混合模型的参数进行选择，以台湾北部台风期间的雨量为例，验证所提出的混合模型，结果表明模型具有较好的预测性能，SHARMA等12 使用神经网络预测未来3d的空气质量指数，并将其划分为良好、中等、较差、严重等波段，预测效果较好.ASIF等13 利用长短期记忆人工神经网络等8 种算法找出预测特定污染物的最优模型，结果表明对于p(O.)Bi-LSTM和Holt-Winters算法表现较优.LU等4训练了Lasso回归算法等3种机器学习方法与社区多尺度空气质量系统模型相结合对p(O)进行预测，发现Lasso-RF耦合模型效果最好，相较于其他模型的p(O.)逐小时预报偏差减小，相关系数显著提高.机器学习在气象领域的应用日益广泛，与传统的统计预报方法相比，具有一定的优势.在众多机器学习算法中，RF算法拥有较强的抗过拟合能力，泛化能力很强，在训练过程中可以检测到特征变量之间的关系，且训练速度快，可以对不平衡的数据集平衡误差，并具有较强的抗干扰能力，当数据中存在大量数据缺失时，用RF算法的预测373迪里努尔牙生，等：基于机器学习的2 0 16-2 0 2 0 年南京市p(O）预报效果较好.SVM算法是一种适用于小样本学习的算法，基本不涉及概率测度及大数定律等，使得回归问题得到了简化，且其最终的决策函数只由少数支持向量决定，而不是样本空间的维数，在一定程度上避免了“维数灾难”.少数支持向量决定最终结果，增加或删除非支持向量样本对模型的最终结果没有影响，简化了算法，且具有较好的“鲁棒性”本研究利用2 0 16 年1月1日-2 0 2 0 年12 月31日南京市城市空气质量监测点p(NO)、p(O)、p(PMo)、p(CO)、p(PM 2.5)逐小时观测数据、持续性污染因子数据及同期气象数据，分析南京市p(O.)的日变化、年变化、p(O.)s年际变化及p(O)超标频次特征；使用RF重要度评估法筛选出对p(O,)影响较大的污染物因子、污染持续性因子及气象因子作为机器学习预报模型的输人变量；采用RF算法和SVM算法建立南京市四季p(O.)预报模型，并评估不同季节两种模型的预报效果，1数据与方法2016-2020年南京市p(O.)、p(NO,)、p(PM l)、p(CO)和p(PM.)逐小时观测数据来自中国环境监测总站的全国城市空气质量实时发布平台使用2 0 16-2 0 2 0 年南京地面气象观测台站的温度、露点温度、海平面气压、风速等逐小时气象要素数据.RF算法是不同决策树应用随机处理方法建立的，包括分类和回归两种算法.通过bootstrap抽样方法，从原始的训练样本集中重复并随机有放回地抽取K个样本生成新的训练样本集；根据自助样本集生成K个决策树组成随机森林.RF算法用独立同分布随机变量及训练集数据，将其生成决策树(h(x,),并利用集成学习思想将所有决策树组合.回归模型预测结果取自各决策树预测值的均值15-18 ,通过特征选择，可以提高学习算法的预测精度.本研究采用RF重要度评估的方法选择预报因子，RF的一大特点就是可以用于输人特征的选择.对于特征X(i=1,2,m),其变量重要度的计算步骤为：步骤1计算RF中所有决策树的袋外数据(out ofbag data,OOB)的误差估计值Er;步骤2 阳随机置换特征X为其他特征，即加入噪声干扰，并计算此时的OOB误差估计值E将步骤1、2 重复多次，生成N棵不同的决策树,构成RF.特征X的变量重要度1-2(E,-E)计算各个特征的重要度及对于南京不同季节的所有特征重要度的平均值；选择大于该平均值的特征变量作为预报因子19 .SVM算法在解决小样本、非线性及高维模式时有较大优势，其主要思想是将样本空间中的非线性函数映射至一个高维乃至于无穷维的特征空间，在特征空间中寻求最优回归超平面，从而解决样本空间中的高度非线性回归问题2 0-2 .为客观评估建立的RF预测模型和SVM预测模型，采用相关系数R、均方根误差RMsE、平均绝对误差MAE、拟合优度及残差平方和SsE作为模型模拟结果与实际值拟合程度的衡量标准.RMSEVMAE及Ss越小，R及越接近1,模型的模拟效果越好、精度越高。Z(M,-0,)RMSEi1(1)m1mM之M,-O.,(2)m1=1(0-0.)(M-M.)R=(4)(0-0.)Z(M,-M,)i=11(M,-0,)r=1-1(5)(M,-M.)1Sse=Z(M,-0,).m(6)其中，O,为观测值,可,为观测平均值，M,为预测值，M为预测平均值，m为样本容量.2结果与讨论2.1p(O,)污染特征南京市2 0 16 年1月1日-2 0 2 0 年12 月31日四季p(O)的逐小时变化特征曲线见图1.每个时刻p(O,)的取值是2 0 16-2 0 2 0 年所有该时刻p(O,)的平均值.由图1可见，p(O)的日变化整体呈“单峰 形，08:00左右较低，15:0 0 左右较高.夜间p(O)维持较374兰州大学学报（自然科学版），2 0 2 3，59(3）140春季夏季120(u/Br)/(o)d100秋季冬季8060402000:0000:1000:000:t000:SO00:9000:L0 00:8000:6000:0100:Z00:00:00:SI00:9100:L100:8100:6100:0200:1200:22时间图1南京四季p(O）的日变化特征Fig.1IDiurnal variation ofp(O,)in four seasonsin Nanjing City低水平，主要是因为夜间生成O，的光化学反应较弱.0 8:0 0 开始，随着太阳辐射的增强和温度升高，生成O,的光化学反应强烈，p(O)开始积累升高，在15:0 0 左右达到峰值.当光照变弱时，p(O.)开始下降，至2 3:0 0 以后p(O)变化趋于平缓，并维持在较低水平直至次日日出.该结果与张文斌等2 关于重庆市沙坪坝区大气p(O)的日变化特征一致.南京不同季节p(O)存在差异，日出后的p(O)在夏季最高，其次是春季.原因是夏季日出后的平均气温较春季偏高，且太阳辐射较春季偏强，有利于0,生成。南京2 0 16 年1月1日-2 0 2 0 年12 月31日p(0）的年变化特征曲线见图2.每个月份的p(O）是2016-2020年所有该月份p(O,)的平均值.100(u/an)/(o)d80604020123456789101112月份图2 南京p(O)的年变化特征Fig.22Annual variation characteristics of p(O,)in Nanjing City由图2 可见，南京市p(O)的年变化整体呈 n形，6 月较高，12 月较低.p(O)在4-6 月均较高，是由于4月起南京气温开始回升，日照强烈，且无持续性降水，空气中的NO.及VOCs发生光化学反应，生成O.南京市三面环山一面临江，大气对流不畅，污染物不易扩散，形成的O,积聚在城市中，导致p(O)上升.7、8 月的p(O)较6 月低是因为南京地处沿海地区，属于亚热带季风气候，夏季会受江淮梅雨及副热带高压的东南风带来的暖湿空气影响，降水增多，日照减少，光化学反应减弱，p(O,)降低.南京2 0 16-2 0 2 0 年p(O）的年际变化特征曲线见图3.110185(.u/ail)/(o)d109180108175107p（O 年均值170106一p(0）第9 0 百分位数16510520162017201820192020年份图3南京p(O）的年际变化特征Fig.3Interannual variation of p(O,)sh inNanjing City由图3可见，南京市2 0 17 年的p(O,），均值较2016年略有上升，2 0 18 年低于2 0 17 年，但较2 0 16年略高，2 0 2 0 年为近5a最小值.按照年评价标准，南京市2 0 17 年p(O.）。m第9 0 百分位数为18 0 g/m，超过环境空气质量标准(GB3095-2012)中的二级标准.p(O.）s m的第9 0 百分位数整体呈下降趋势，2020年为近5a最小值，较前几年有大幅下降2 3南京市2 0 16-2 0 2 0 年p(O）。超过国家环境空气质量二级标准的天数统计见图4.8070P/.Y:4R(O605040302010存夏秋冬总春夏秋冬总春夏秋冬总春夏秋冬总春夏秋冬总20162017201820192020年份图4南京2 0 16-2 0 2 0 年p(O）s 超标天数统计Fig.4Statistics of p(O,)sh exceeding standard daysin Nanjing City from 2016 to 2020由图4可见，p(O，），超标主要集中于4-9 月，夏季超标天数较多，平均为30 d23.统计南京市2 0 16-2020年p(O），平均值超过国家环境空气质量二级标准的天数，得出2 0 16、2 0 17、2 0 18、2 0 19、2 0 2 0年p(O）超标天数分别为6 0、6 1、58、7 3、46 d.超标天数占全年总天数的百分比分别为16.39%、16.71%、15.8 9%、2 0%、12.57%.p(0,）在2 0 19、2020年的超标天数变化幅度较大，2 0 19 年超标天数较2 0 16-2 0 18 年增多，2 0 2 0 年超标天数较2 0 16-2019年下降较多.这种变化趋势说明南京市实施打赢蓝天保卫战三年行动计划很成功，大气污染治理措施很有效，治理方向是正确的2 41.2 0 19 年375迪里努尔牙生，等：基于机器学习的2 0 16-2 0 2 0 年南京市p(O）预报p(O)超标天数出现了反弹，可能与气象条件、O,前体物NO.与VOCs未按一定比例协同减排、企业产业结构调整进展缓慢、结构性污染问题突出、污染物产量与排放量依然较大、应急减排工作落实不到位、企业清理整治不到位有关2 4-2 7 2.2预报模型的构建与检验正式建立模型前，对数据进行预处理.1）污染物因子数据.为提高模型的准确性，对污染物质量浓度数据进行三点平滑（除O,外)，将三点平滑后的污染物因子质量浓度数据作为模型的特征变量集.2)污染持续性因子.0,污染是持续性污染，且NO,在O,的形成过程中发挥重要作用.预测南京市不同季节的p(O.)时，取不同季节起始日前2 4h的每小时p(O,)数据与p(NO,)数据构建污染持续性因子数据集。3）数据归一化.为消除量纲影响，用MATLAB2019对各变量数据进行归一化处理，处理后的数据用于建立RF与SVM模型.影响p(O,)的因子很多，且在不同季节的影响不同.将污染物因子p(NO,)、p(PM 1o)、p(CO)和p(PM.s)、污染持续性因子及气温T、露点温度、海平面气压、风速作为建立预测p(O,)模型的特征变量集.采用RF重要度评估法，计算南京市不同季节特征变量的重要度，并对各特征变量的重要度取平均值2 8-2 9 ,筛选出南京不同季节的预报因子(图5).南京春季特征变量的RF重要度评分的平均值为0.2 9，选择重要度评分大于0.2 9 的前19 个预报因子；夏、秋、冬季的重要度评分平均值分别为0.32、0.2 8、0.31,因此夏、秋、冬季选择大于平均值的前2 0 个、前17 个、前2 1个预报因子.所有预报因子中，污染持续性因子前1hp(O）、前2 hp(O.)、前3hp(O,)为主要预报因子,在四季重要度评分排名中均排在前三位；气象因子中露点温度、风速、海平面气压的重要度很低，对四季p(O,)预测模型影响不大，只有气温在春、冬季的特征变量中被选为预报因子.污染物因子中p(NO,)对四季的预测模型重要度均较高，被选为预报因子，而p(CO）、p(PM)和p(PM2.s)在夏、秋季的模型特征变量中被选为预报因子，但不同季节这些因子的重要度排序差异显著.由于p(O,)具有季节差异，所以利用2 0 18 年12月1日-2 0 19 年11月30 日南京市春、夏、秋、冬季的p(O,)数据,采用RF及SVM训练四季的p(O,)模型，并用2 0 19 年12 月1日-2 0 2 0 年11月30 日南京市四季的p(O)数据验证模型.主要分为以下步骤：1.81.61.41.21.00.80.60.40.20(ONdt!(O)dO1O)d4(O)4(ONd(O)dtCONdUONUO)d48(OD)dO46U(ONdUtON福之Wd)dOdWd之ONd490dd筛选后的预报因子筛选后的预报因子a春季b夏季2.01.8181.61.6小通重1.41.41.21.21.01.00.80.80.60.60.40.40.20.2001(O)/uJl(o)dutzlON(O)d4t(O0)d(ON)dEM!ONdUU!(O)d41(O)dutUlo)dy(O)d4LIml(O)d4I(ON)d48JWd)dWddO)dOdyO)d二一一二川川川6 1二二二1筛选后的预报因子筛选后的预报因子c秋季d冬季图5南京四季筛选后预报因子的重要度评分Fig.5Significance score of the four seasons screening forecast factors in Nanjing City376兰州大学学报（自然科学版)，2 0 2 3，59(3)步骤1获取待输人预报因子数据；步骤2提取p(O,)数据为模型因变量y(预测值),选取的预报因子作为自变量x(预报因子);步骤3将所选数据分为训练输入数据集、训练验证数据集、测试输人数据集和测试验证数据集，其中前3个数据集为有效模型输人数据集，测试验证数据集作为对模型预测结果的检验数据.图6、7 分别为采用RF和SVM算法模型的南京市p(O)预测结果，可见两种算法的预测值与真实值的变化趋势很接近，即两种模型的整体拟合效果均较好，且能够正确反映夏季p(O)较高的情况结合预测误差指标，按同一模型不同季节分析，RF模型中的R表现为夏季 春季 秋季 冬季.RF模型中，夏季的预测值与真实值的R最大，RMsE和MA较大；冬季的预测值与真实值的R、R M s E 和MA均最小.SVM模型预测值与真实值的R0.99,且RMsE和MAE均较小，秋、冬季的RMse和MA均较小，一定程度上反映了SVM模型的优越性，RF模型的预测值与真实值均R0.96,而SVM模型均R0.99,更接近于1,说明SVM模型的预测值与真实值更接近.RMsE、M A 分析结果表明，RF模型的误差在4,11,而SVM模型的误差在1,7 ,即SVM的误差更小，预报准确率更高.RF模型的预测值出现低估的情况较多，而SVM模型更多的是高估.总体评价RF和SVM模型都比较稳定，表现良好.SVM算法模型的预测性能优于RF算法模型.对南京市不同季节RF和SVM算法模型的p(O.)预测值与实际值进行散点拟合分析，结果见图8、9.图8 中RF算法模型对p(O,)的预测值与实际值的拟合直线方程分别为：春季y=0.9373x+5.369，夏季y=0.9517x+4.179，秋季y=0.9228x+4.598，冬季y=0.8748x+4.896；春、夏、秋、冬季的产分别为0.9 52 2、0.9 6 2 6、0.9 448、0.9 30 9;RMse分别为9.8 13、8.8 7 1、9.9 6 1和6.9 2 0 g/m，误差均在可接受范围内.以为标准，比较南京市四季的RF算法模型对p(O,)的预报效果，得出夏季最优，其次为春、秋季，冬季效果较差.图9 中SVM算法模型的p(O)预测值与实际值的拟合直线方程分别为：春季y=0.9884x+1.401,夏季y=1.038x+0.247,秋季y=1.021x+0.1938,冬季y=0.9757x+0.3041，预测值与实际值拟合效250300真实值真实值预测值250顶测值200(u/ar)/(o)d(u/ar)/(o)d200150150100100505005001000150020002.50005001000150020002500预测样本数/个预测样本数/个a春季b夏季250150真实值真实值预测值预测值200(u/an)/(o)d(w/ar)/(o)d100150100505005001000150020002.50005001000150020002.500预测样本数/个预测样本数/个秋季d冬季C图6南京不同季节RF算法的p(O,)预测结果Fig.66p(O,)prediction results of RF algorithm in different seasons in Nanjing City377迪里努尔牙生，等：基于机器学习的2 0 16-2 0 2 0 年南京市p(O）预报250300真实值真实值预测值250预测值200(u/ar)/(o)d(,u/an)/(o)d2001501501001005050050010001500200025000500100015002.0002500预测样本数/个预测样本数/个春季b夏季250150真实值真实值预测值预测值200(,u/ar)/(o)d(,u/ar)/(o)d10015010050500500100015002.0002.5000500100015002.0002500预测样本数/个预测样本数/个秋季d冬季C图7南京不同季节SVM算法的p(O)预测结果Fig.7 p(O,)prediction results of SVM algorithm in different seasons in Nanjing City250300真实值与预测值的散点真实值与预测值的散点拟合直线250拟合直线200(u/ar)/(o)d mi(u/ar)/(o)dii2001501501001005050050100150200250050100150200250300实测p(0,)/(g/m)实测p(0,)/(g/m)a春季b夏季250140真实值与预测值的散点真实值与预测值的散点120拟合直线拟合直线200(,u/ar)/(o)dmS(,u/ar)/(o)di1001508060100405020005010015020025050100150实测p(0,)/(g/m)实测p(O,)/(g/m)秋季d冬季C图：南京不同季节RF算法的p(O,)预测值与真实值的散点拟合Fig.8Scatter fitting plot of p(O,)predicted value and real value of RF algorithm in different seasons in Nanjing City378兰州大学学报(自然科学版)，2 0 2 3，59(3)250300真实值与预测值的散点真实值与预测值的散点拟合直线250拟合直线200(u/8n)/()di(/a1)/(o)0mis2001501501001005050050100150200250050100150200250300实测p(O.)/(g/m)实测p(O,)/(g/m)a春季b夏季250150真实值与预测值的散点真实值与预测值的散点拟合直线拟合直线200(u/ar)/(o)dji(u/ar)/(o)dji4100150100505005010015020025050100150实测p(0.)/(g/m)实测p(O.)/(g/m)C秋季d冬季图9南京不同季节SVM算法的p(O,)预测值与真实值的散点拟合Fig.9Scatter fitting plot of p(O,)predicted value and real value of SVM algorithm in different seasons in Nanjing City果较好.SVM算法模型预测结果的r表现为冬季秋季 夏季 春季；RMs表现为冬季 秋季 夏季0.99,且RMsE、M A 误差更小，预测效果优于RF模型.参考文献1唐孝炎，张远航，邵敏.大气环境化学M.2版.北京：高等教育出版社，2 0 0 6.2温彦平.太原市近地面臭氧浓度变化规律及其与气象要素的关系J.环境工程学报，2 0 15,9(11):5545-5554.3王馨陆，黄冉，张雯娴，等.基于机器学习方法的臭氧和PM,污染潜势预报模型：以成都市为例J.北京大学学报（自然科学版）,2 0 2 1,57(5)：9 38-9 50.4张灿，王静，简高武，等.环境空气质量预报方法简介.环境与可持续发展，2 0 18,43(5)：139-141.5张美根，韩志伟，雷孝恩.城市空气污染预报方法简述.气候与环境研究，2 0 0 1,6(1)：113-118.6肖旖，张洪文.气温和湿度在泸州市城区对臭氧浓度预测的运用研究.四川环境，2 0 2 2,41(1)：10 3-10 7.7史霖，王建英，杨军，等.银川市臭氧浓度与气象要素的相关性及其预测方法研究J.环境科学与管理，2 0 2 0,45(4):125-128.8蒋璐璐，钱燕珍，杜坤，等.宁波市近地层臭氧浓度变化及预测J.气象与环境学报，2 0 16,32(1):53-59.9马润美，张亚一，班婕，等.基于随机森林模型的京津冀勇）（责任编辑：张379迪里努尔牙生，等：基于机器学习的2 0 16-2 0 2 0 年南京市p(O）预报地区近地面臭氧站点浓度预测.环境与健康杂志，2019,36(11):954-957.10王鹏，赵鑫涯，宋珂.基于随机森林算法的长江三角洲地区PM2.,浓度模拟研究J.中国环境监测，2 0 2 1,37(5):21-31.11 HONG W C.Rainfall forecasting by technologicalmachine learning modelsJ.Applied Mathematics andComputation,2008,200(1):41-57.12 SHARMA M,AGGARWAL S,BOSE P,et al.Meteor-ology-based forecasting of airquality index using neuralnetworkC/IEEE International Conference on IndustrialInformatics,Banff Town:IEEE,2003:374-378.13 ASIF I M,SARBANI R.Pollutant specific optimal deeplearning and statistical model building for air qualityforecastingJ.Environmental Pollution,2022,301:118972-118985.14 LU H,XIE M,LIU X R,et al.Adjusting prediction ofozone concentration based on CMAQ model andmachine learning methods in Sichuan-Chongqing region,ChinaJ.Atmospheric Pollution Research,2021,12(6):101066.15甄亿位，郝敏，陆宝宏，等。基于随机森林的中长期降水量预测模型研究J.水电能源科学，2 0 15,33(6)：6-10.16王全喜，孙鹏举,刘学录，等.基于随机森林算法的耕地面积预测及影响因素重要性分析：以甘肃省庆阳市为例J.水土保持通报，2 0 18,38(5):341-346.17李亭，田原，邬伦，等.基于随机森林方法的滑坡灾害危险性区划J.地理与地理信息科学，2 0 14,30(6)：25-30.18方匡南，吴见彬，朱建平，等随机森林方法研究综述J.统计与信息论坛，2 0 11,2 6(3)：32-38.19徐艳平.基于改进的随机森林算法的城市空气质量预测模型D.重庆：重庆工商大学,2 0 2 1.20赵辉，郑有飞，徐静馨，等.中国典型城市大气污染物浓度时空变化特征分析J.地球与环境，2 0 16,44(5):549-556.21谢永华,张鸣敏,杨乐，等.基于支持向量机回归的城市PM,浓度预测.计算机工程与设计，2 0 15,36(11):3106-3111.22张文斌，谭丽，王赞春，等.重庆市沙坪坝区大气臭氧浓度变化规律J.分析仪器，2 0 16(4)9 9-10 2.23朱志锋.2 0 17 年南京市臭氧污染现状分析J.科技风，2018(20)129.24王龚博，卢宁川，杨琳，等.臭氧污染特征与防治工作探究J.环境与可持续发展，2 0 2 0,45(2)：10 4-10 6.25杨峰,刘春蕾，李洁，等.国内外臭氧污染防治方法及其对南京的启示J.安徽农学通报，2 0 17,2 3(S1)：54-57.26李竹田.臭氧污染特征与治理对策思考.环境与发展,2 0 2 0,32(12):32-33.27李禾.蓝天保卫战升级：臭氧将成“十四五”治理重点J.世界环境,2 0 2 0(5)30-31.28赵龙，桑国庆，武玮，等.基于随机森林回归算法的山洪灾害临界雨量预估模型J.济南大学学报（自然科学版),2 0 2 2,36(4):40 4-411.29肖林鸿，陈焕盛，陈婷婷，等.基于机器学习的短临预报方法及其在空气质量保障中的应用.中国环境监测,2 0 2 1,37(3):6 6-7 4.