基于可解释性机器学习的城市O3驱动因素挖掘

受前体物排放和气象条件等因素共同驱动,大气臭氧(O₃)已成为影响城市夏季环境空气质量的主要污染物.目前物理化学机制驱动的演绎模型在进行O₃污染解析时需要的模型参数众多,运算时效性较差;数据驱动的归纳模型运算效率高,但存在可解释性差等问题.通过建立可解释性数据驱动的Correlation-ML-SHAP模型,Correlation模块挖掘O₃浓度关联影响因素,机器学习ML模块耦合可解释性SHAP模块计算各驱动因素对O₃浓度的影响贡献,实现对驱动因素的定量解析,并以晋城市2021年夏季O₃污染过程为例开展应用研究.结果表明,Correlation-ML-SHAP模型能够挖掘并利用强驱动因素模拟O₃浓度和量化影响贡献,其中ML模块采用XGBoost模型模拟准确度最佳. 2021年夏季晋城市O₃污染强驱动因素为：气温、日照强度、湿度和前体物排放水平,贡献权重为：32.1%、 21.3%、 16.5%和15.6%,其中气温、日照强度和前体物排放...