基于機器學習的黃石市臭氧污染特征及預報研究

摘 要：近年來，臭氧（O3）污染日益嚴重，因此分析了黃石市地面O3濃度的變化特征及其與環境要素之間的關系，并應用機器學習方法構建了一套適用于本地區的O3濃度高精度預測模型。結果表明：（1）黃石市O3污染以輕度污染為主，3—10月均出現臭氧污染日，其中5、6、9月出現O3中度污染日，9月O3污染日數和O3濃度水平均最高。（2）從O3污染日環境要素進行分析，黃石市多年O3-8 h濃度平均值為93.5 μg·m-3，當發生O3污染時，SO2、PM10、PM2.5、CO的平均質量濃度，以及日平均氣溫、日最高氣溫、日照時數均會明顯上升。相反，NO2的平均質量濃度和氣壓、相對濕度均有顯著下降。（3）高溫、充足的陽光和較高的相對濕度是黃石市O3濃度變化的關鍵驅動因素。PM2.5和NO2也會對O3-8 h濃度產生影響，但相較于氣象因素，這兩者的重要性明顯較低。（4）梯度提升樹回歸模型在預測黃石市O3濃度方面表現出最佳的性能，但對于極高和極低的O3濃度，預測值與觀測值存在一定的偏差，需要進一步探索和優化模型，以提高其對極高值或極低值的預測準確性。

關鍵詞：臭氧（O3）；污染特征；氣象因素；機器學習；預測模型

中圖分類號：X515 文獻標志碼：B 文章編號：2095–3305（2024）12–0-03

臭氧（O3）是典型的二次污染物，主要通過碳氫化合物和氮氧化物（NO）之間的光化學反應生成。在有利的氣象條件下，如太陽輻射強、天空晴朗、溫度高、相對濕度低等，O3容易形成和累積。特定的天氣類型，如高壓后部、地面倒槽和鋒前暖區，同樣易造成O3污染。此外，O3還可通過垂直空氣輸送從平流層進入對流層，同時也可以隨盛行風進行遠距離水平輸送[1]。

與CO和NO2等典型的一次污染物相比，O3在城市間的相關性更強。因此，準確預測O3濃度變化不僅對保護公共健康、維護生態平衡至關重要，還能為有效管理環境和制定污染防控策略提供支持。

近年來，隨機森林（Random Forest，RF）、卷積神經網絡（Convolutional Neural Network，CNN）、人工神

經網絡（Artificial Neural Network，ANN）等機器學習方法被應用于預測大氣污染物（O3、PM2.5、NOx、NH3等）濃度以及分析大氣污染的成因。這種方法主要通過建立O3濃度與氣象因子、污染源和其他相關變量之間的關系模型來進行預測[2]。與傳統方法相比，機器學習方法能夠自動識別數據中的復雜非線性關系，無需詳細的物理化學過程知識，因此在大氣污染預測領域具有廣闊的應用前景。

黃石市位于湖北省東南部，地勢西南高、東北低，屬典型的亞熱帶大陸性季風氣候，四季分明，雨量充沛。黃石市近幾年環境狀況公報顯示，O3作為首要污染物的比例顯著上升。基于此，通過應用機器學習方法，結合了2017—2021年黃石市地面O3濃度和相關氣象因素的數據，分析了黃石市O3的污染特征及其與主要氣象因素之間的關系，并對比了線性回歸、 K近鄰算法（KNN）、隨機森林和梯度提升樹等機器學習方法在O3濃度預測中的表現，以選擇最優的預測模型，為黃石市及其他類似城市提供一種有效的O3污染預測和管理工具。

1 數據來源與分析方法

1.1 數據來源

大氣污染物監測數據來自黃石市5個國控站點（沈家營、陳家灣、新下陸、鐵山、團城山），選取2017—2021年逐日SO2、NO2、CO、PM10、PM2.5、O3-8 h質量濃度資料和逐時O3質量濃度資料。氣象數據為黃石市國家基本氣象觀測站同期溫度、相對濕度、2 min平均風速、氣壓和日照時數等日均值。

1.2 分析方法

根據《環境空氣質量標準》（GB 3095—2012），當O3日最大8 h平均質量濃度超過160 μg·m-3時，即為O3污染。根據《環境空氣質量指數（AQI）技術規定（試行）》（HJ 633—2012），當污染日首要污染物為O3時，定義為O3污染日。

采用Pearson相關系數和Spearman相關系數，分析氣象因素和其他大氣污染物與O3-8 h濃度之間的相關性。選用線性回歸、K最鄰近（KNN）回歸、隨機森林和梯度提升樹回歸4種機器學習方法預測O3濃度，使用均方根誤差（RMSE）和決定系數（R2）作為評價指標，評估不同模型的預測性能，選擇表現最優的模型作為黃石市O3濃度預測的最終模型，并對最優模型進行檢驗。RMSE和R2的計算公式如下[3]：

RMSE=（1）

R2=1-∑（yi-y*）2/∑（yi-y）2（2）

式（1）、（2）中，n為樣本數量，yi為實際觀測值，y*為預測值，∑為求和，y為實況平均值。

2 結果與分析

2.1 O3污染特征

2.1.1 黃石市O3月變化特征

黃石市的O3污染以輕度污染為主，3—10月均出現臭氧污染日，其中5、6、9月出現O3中度污染日，9月O3污染日數累計高達37 d（圖1）。此外，5—9月是O3質量濃度較高的月份，9月的O3濃度最高，其次是8月，這兩個月的O3-8 h平均質量濃度分別達到130.6、123.1 μg·m-3。根據黃石市天氣氣候特征可知，5—9月為汛期，常受副熱帶高壓控制，若無熱帶天氣系統影響，則天氣晴朗、云量較少、日照充足、氣溫較高；6月中下旬至7月下旬為江淮梅雨季，降雨天氣較多，由于降水過程有助于清除大氣中的污染物，因此7月的O3濃度相對較低[4]。

2.1.2 黃石市O3污染日環境要素分析

從2017—2021年黃石市O3污染處于不同程度時各環境要素的平均統計特征值（表1）可知，可以看出黃石市多年O3-8 h濃度平均值為93.5 μg·m-3，當發生O3污染時，SO2、PM10、PM2.5、CO、AQL的平均質量濃度均呈上升趨勢，而NO2的平均質量濃度略有下降，這可能是由于O3的生成會消耗一部分的NO2。此外，當發生O3污染時，PM10、PM2.5的質量濃度仍維持在較低水平。從氣象條件來看，黃石市多年日平均氣壓為

1 011.7 hPa，多年日平均氣溫和最高氣溫分別為18.3、23.0 ℃，多年平均相對濕度為76.8%，多年平均風速為

1.5 m/s，多年平均日照時數為4.6 h。與無污染日相比，臭氧污染日氣壓和相對濕度均有顯著下降，日平均氣溫、日最高氣溫及日照時數則明顯上升。這表明在氣溫較高、日照充足的天氣條件下，黃石市易出現O3污染日。

2.2 環境要素對O3質量濃度的影響

O3污染程度受特定環境條件的影響和調控，以O3濃度值為因變量，以相對應的逐日環境要素為自變量，通過綜合運用Pearson和Spearman相關性分析，探討環境要素與O3濃度之間的相關性。在分析前，所有數據均經過標準化處理，以排除量綱對結果的影響。

日平均氣溫、日最高氣溫、日照時數、SO2與O3-8 h

濃度呈正相關關系，氣壓、相對濕度、NO2、PM2.5、CO與O3-8 h濃度呈負相關關系，上述各環境要素均滿足99%的置信區間的顯著相關，這表明以上環境要素對O3形成和變化有一定影響（表2）。2 min平均風速、PM10與O3-8 h濃度之間的相關性不顯著，表明在此研究區域內，風速和PM10濃度變化對O3濃度的直接影響較小。

2.3 基于機器學習構建O3濃度預測模型

2.3.1 模型比較

為深入了解不同環境要素與黃石市O3濃度之間的定量關系，采用機器學習方法分析了2017—2021年黃石市的1 754個數據樣本，基于上述通過顯著性檢驗的環境因子（氣壓、日平均氣溫、日最高氣溫、相對濕度、日照時數、NO2、PM2.5、SO2、CO）構建O3濃度預測模型，通過綜合比較這些模型的均方根誤差（RMSE）與決定系數R2，從而選出預測性能最優的模型。

不同O3濃度預測模型的性能（表3）結果表明，隨機森林和梯度提升樹回歸兩種模型在預測O3濃度方面均具有顯著的優勢。兩個模型的決定系數R2均為0.82，這一性能表現明顯優于其他兩種模型，但梯度提升樹回歸模型的均方根誤差（RMSE）更小，在處理此研究中的復雜非線性環境數據時具有更高的準確性，因此選擇梯度提升樹回歸模型作為最優模型。

2.3.2 模型檢驗

為檢驗梯度提升樹回歸模型的預測效果，以2022年黃石市O3-8 h實況數據和氣象觀測數據作為檢驗數據，將O3-8 h預測值與實況值（圖2）進行比較，發現梯度提升樹回歸模型能夠較好地預測O3濃度變化趨勢，O3-8 h的預測值與實況值的均方根誤差（RMSE）為26.25，具有較高的預測精度。但對于一些極高值或極低值，模型預測的準確性有所下降，這可能是受某些特殊的氣象條件或其他未考慮的環境因素的影響，在未來的研究中需要進一步探索和優化模型，以提高其對極高值或極低值的預測準確性。

2.3.3 環境要素的正態化重要性分析

基于梯度提升樹回歸模型，進一步探討了各環境要素對模型預測能力的貢獻度。通過正態化重要性分析，評估了各環境要素對O3-8 h濃度預測準確性的影響。日最高氣溫在所有考慮的環境要素中對O3-8 h濃度預測的影響最大，其正態化重要性達到48.5%，與相關性分析的結果較為一致，表明較高的氣溫是O3濃度上升的必要條件，該條件會使O3前體物的反應速率加快，從而使O3濃度升高（圖3）。日照時數次之，占比22.6%，表明光化學反應在O3生成過程中具有關鍵作用。相對濕度的正態化重要性占比為15.6%，高濕度條件下會導致O3消耗增加、生成減少。日平均氣溫對O3-8 h濃度也有一定的影響，氣壓的重要性百分比相對較低，表明其對O3-8 h濃度的直接影響較為有限。大氣污染物對O3-8 h濃度產生的影響較低，其中PM2.5和NO2的重要性占比均高于CO，SO2對O3-8 h濃度影響的重要性程度較低。

3 結論

（1）黃石市O3污染以輕度污染為主，3—10月均出現臭氧污染日，其中5、6、9月出現O3中度污染日，9月O3污染日數和O3濃度水平均最高。

（2）從O3污染日環境要素進行分析，黃石市多年O3-8 h濃度平均值為93.5 μg·m-3，當發生O3污染時，SO2、PM10、PM2.5、CO的平均質量濃度，以及日平均氣溫、日最高氣溫及日照時數均會明顯上升。相反，NO2的平均質量濃度和氣壓、相對濕度均有顯著下降。

（3）高溫、充足的陽光和較高的相對濕度是黃石市O3濃度變化的關鍵驅動因素。PM2.5和NO2也會對O3-8 h

濃度產生影響，但相比于氣象因素這兩者的重要性明顯較低。

（4）梯度提升樹回歸模型在預測黃石市O3濃度方面表現出最佳的性能，但對于極高和極低的O3濃度，預測值與觀測值存在一定的偏差，需要進一步探索和優化模型，以提高其預測極高值或極低值的準確性。

參考文獻

[1] 鄭彬，陳月娟，施春華.平流層臭氧緯向分布季節變化和行星波的關系[J].高原氣象，2006（3）：366-374.

[2] 馬偉.基于機器學習的臭氧預報及生成敏感性研究[D].廣州：華南理工大學，2022.

[3] 何琰，林惠娟，曹舒婭，等.城市臭氧污染特征與高影響氣象因子：以蘇州為例[J].環境科學，2023，44（1）：85-93.

[4] 宋鴿，羅嘉，涂姍姍.近47年黃石市降水變化特征分析[J].安徽農業科學，2022，50（7）：207-210.

收稿日期：2024-09-13

基金項目：黃石市氣象局2022年度自立科研課題“基于機器學習的黃石市臭氧污染特征及預報研究”（202201）。

作者簡介：張東（1997—），女，河南南陽人，助理工程師，研究方向為環境氣象。