基于机器学习的华北城市群PM2.5浓度时空格局及预测研究.pdf

摘要

随着中国工业化及城镇化的快速推进，大气污染问题愈发的受到重视。近年来，

中国华北地区由于其特有的地理和气候条件，PM2.5污染问题尤为严重，因其体积小、

面积大、易携带有害物质，且能长时间在空气中悬浮，从而对人体健康、环境变化、

生态保护等方面带来不可忽视的危害。城市群是国家经济发展的战略性核心区域，

是新型城镇化的主要区域，其在全球经济重心向中国转移过程中发挥着重要作用。

与其他地区相比，华北地区城市群在发展过程中往往面临着更严峻的生态环境问题，

因此厘清华北地区城市群PM2.5的变化规律、探究影响因素、精准的预测其浓度变

化，对于持续开展大气污染防治工作具有重要现实意义。

本文以呼包鄂榆城市群、京津冀城市群和山西中部城市群三个城市群为研究对

象，为避免较多的人为因素干扰，选择新冠疫情时2020年1月1日00：00~2021年

12月31日23：00多个城市的环境监测站点的实时数据，分析了PM2.5污染的现状

和影响因素，并利用随机森林模型来进行预测短期的PM2.5浓度，主要结果如下：

（1）京津冀城市群、山西中部城市群和呼包鄂榆城市群三大城市群变化规律

33

相似。在季节尺度上，PM2.5浓度最低的季节是夏季（19μg/m~27μg/m），最高的

33

是冬季（54μg/m~73μg/m）；在月尺度上，PM2.5月均浓度的峰值都集中在每年的

一月；在天尺度上，PM2.5浓度的变化规律具有“周末效应”，即休息日的浓度要高

于工作日；在小时尺度上，两年中的大部分时间都呈现上午时间段PM2.5浓度高于

下午的时间段。在空间上，PM2.5浓度整体最低的是呼包鄂榆城市群，最高的是山西

中部城市群。

（2）通过拟合曲线辨认其他大气污染物与PM2.5相关性，并运用皮尔逊系数和

时间同步变化来探讨与气候因素的相互影响。PM2.5浓度与其他大气污染物PM10、

SO、CO和NO之间呈明显的正相关，其中与PM的相关性最强，而PM与O

22102.53

之间呈较弱的负相关关系。气象因子也对于PM2.5的形成过程和扩散有不一样的影

响，PM2.5浓度与气压和露点温度之间存在正向关系，而与温度、相对湿度、降水量

和风速之间存在反向关系。

（3）利用随机森林模型的特征值变量重要性评估来提高模型的准确和效率，

并结合前文的相关性分析筛选出重要性排名靠前的特征变量带入模型中训练。实验

I

结果表明，由不同数据集训练得出的模型R2均在0.9以上，且使用三个模型分别于

未来24小时的PM2.5浓度值，预测值与实际值趋势吻合且数值接近，集成学习模型

随机森林在PM2.5浓度预测上具有较高的准确性和稳定性。

综上所述，本文从PM2.5浓度水平、影响因素、预测分析等方面展开研究分析，

揭示华北城市群PM2.5污染的时空分布特征、气象因素以及其他常规污染物对PM2.5

污染的影响、使用机器学习预测PM2.5浓度，有助于提高监测效率和精度，促进公

众参与和意识提升，对于改善空气质量、保护人类健康和环境可持续发展具有重要

的参考价值。

关键词：机器学习；随机森林；PM2.5浓度；时空格局；华北城市群

II

ABSTRACT

WiththerapidadvancementofindustrializationandurbanizationinChina,theissue

ofairpollutionisreceivingincreasingattentio