| 基于可解释性机器学习的城市O3驱动因素挖掘 |
| |
| 引用本文： | 董佳奇,胡冬梅,闫雨龙,彭林,张鹏辉,牛月圆,段小琳.基于可解释性机器学习的城市O3驱动因素挖掘[J].环境科学,2023,44(7):3660-3668. |
| |
| 作者姓名： | 董佳奇 胡冬梅 闫雨龙 彭林 张鹏辉 牛月圆 段小琳 |
| |
| 作者单位： | 华北电力大学环境科学与工程学院, 资源环境系统优化教育部重点实验室, 北京 102206;北京交通大学环境学院, 北京 100044 |
| |
| 基金项目： | 大气重污染成因与治理攻关项目（DQGG202109）；国家重点研发计划项目（2019YFC0214203，2019YFC0214202）；国家自然科学基金项目（21976053） |
| |
| 摘 要： | 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...
|
| 关 键 词： | O3污染 驱动因素 影响贡献 可解释性 机器学习 |
| 收稿时间： | 2022/8/23 0:00:00 |
| 修稿时间： | 2022/10/11 0:00:00 |
Revealing Driving Factors of Urban O3 Based on Explainable Machine Learning |
| |
| DONG Jia-qi,HU Dong-mei,YAN Yu-long,PENG Lin,ZHANG Peng-hui,NIU Yue-yuan,DUAN Xiao-lin.Revealing Driving Factors of Urban O3 Based on Explainable Machine Learning[J].Chinese Journal of Environmental Science,2023,44(7):3660-3668. |
| |
| Authors: | DONG Jia-qi HU Dong-mei YAN Yu-long PENG Lin ZHANG Peng-hui NIU Yue-yuan DUAN Xiao-lin |
| |
| Institution: | Key Laboratory of Resources and Environmental System Optimization, College of Environmental Science and Engineering, North China Electric Power University, Beijing 102206, China;School of the Environment, Beijing Jiaotong University, Beijing 100044, China |
| |
| Abstract: | |
| |
| Keywords: | O3 pollution driving factors contribution explanation machine learning |
|
| 点击此处可从《环境科学》浏览原始摘要信息 |
| 点击此处可从《环境科学》下载免费的PDF全文 |
|
