| 湖南空气质量预报中的数据预处理和特征工程 |
| |
| 引用本文： | 李细生,陈媛,罗慧妮,张克非,喻雨知,李巧媛,张华,易飞.湖南空气质量预报中的数据预处理和特征工程[J].中国环境监测,2023,39(4):185-195. |
| |
| 作者姓名： | 李细生 陈媛 罗慧妮 张克非 喻雨知 李巧媛 张华 易飞 |
| |
| 作者单位： | 气象防灾减灾湖南省重点实验室, 湖南 长沙 410118;株洲市气象局, 湖南 株洲 412003;长沙市气象局, 湖南 长沙 410017 |
| |
| 基金项目： | 湖南省气象局2020年重点课题(XQKJ20A001);国家自然科学基金项目(41271095) |
| |
| 摘 要： | 为提高空气质量预报的准确率,建立了融合气象和环境观测资料、结合机器学习和数值天气预报,且预测时效较长、预测精度较高的机器学习模型库。以湖南6个城市(长沙、株洲、湘潭、益阳、常德、岳阳)的空气质量预报为例,将数据预处理、特征工程方法运用到模型之中,得出以下几点结论:①数据预处理工作包括样本收集、数据清洗、缺失值处理、异常值剔除等,对提高模型预测稳定性帮助很大。②点、线、面的特征组合有助于完整地描述污染物的生消过程。引入传输指数后,株洲市模型对传输型污染过程的预测性能得到明显提高,对轻度、中度、重度污染的分类准确度分别提升了23.6%、16.6%、30.0%。引入静稳指数后,长沙市模型PM2.5浓度测试的相关系数由0.938提升至0.959,均方根误差由10.33下降至8.46,且模型对中度以上污染天气的极值预报结果更接近实况;益阳市模型在高浓度样本预测中存在的系统性偏低现象得到改善,对轻度以上污染天气的预报结果得到较大矫正。③随机森林的特征重要性排序功能可以大幅度减少特征的数量,使得模型的可解释性和稳定性增强。
|
| 关 键 词： | 机器学习 数据预处理 特征工程 空气质量预报 |
| 收稿时间： | 2022/3/7 0:00:00 |
| 修稿时间： | 2022/10/26 0:00:00 |
Data Preprocessing and Feature Engineering of Air Quality Forecast in Hunan Province |
| |
| LI Xisheng,CHEN Yuan,LUO Huini,ZHANG Kefei,YU Yuzhi,LI Qiaoyuan,ZHANG Hu,YI Fei.Data Preprocessing and Feature Engineering of Air Quality Forecast in Hunan Province[J].Environmental Monitoring in China,2023,39(4):185-195. |
| |
| Authors: | LI Xisheng CHEN Yuan LUO Huini ZHANG Kefei YU Yuzhi LI Qiaoyuan ZHANG Hu YI Fei |
| |
| Institution: | Hunan Key Laboratory for Meteorological Disaster Prevention and Mitigation, Changsha 410118, China;Zhuzhou Meteorological Office of Hunan Province, Zhuzhou 412003, China;Changsha Meteorological Office of Hunan Province, Changsha 410017, China |
| |
| Abstract: | |
| |
| Keywords: | machine learning data preprocessing feature engineering air quality forecast |
|
| 点击此处可从《中国环境监测》浏览原始摘要信息 |
| 点击此处可从《中国环境监测》下载免费的PDF全文 |
|
