机器学习耦合受体模型揭示驱动因素对PM_(2.5)的影响

许博; 徐晗; 赵焕; 张忠诚; 高洁; 李岳; 冯银厂; 史国良

首页> 中文期刊> 《环境科学研究》 >机器学习耦合受体模型揭示驱动因素对PM_(2.5)的影响

机器学习耦合受体模型揭示驱动因素对PM_(2.5)的影响

开具论文收录证明 >>

期刊封面封底目录下载 >>

文献代查 >>

页面导航

摘要
著录项
相似文献
相关主题

摘要

PM_(2.5)主要受排放源、大气化学、气象条件等驱动因素的非线性影响,了解驱动因素对PM_(2.5)浓度的影响十分重要.本研究基于南开大学大气环境综合观测超级站的逐时在线观测数据,耦合机器学习方法和受体模型,揭示了驱动因素的重要性以及对PM_(2.5)浓度的影响.结果表明:①2018年11月—2020年10月观测地点的PM_(2.5)浓度范围为3.21~291.80μg/m^(3),采暖季PM_(2.5)浓度和化学组分均高于非采暖季.②使用受体模型解析PM_(2.5)的来源及其贡献,发现观测期间二次源的贡献率(44.7%)最高,其他依次为燃煤源(23.6%)、机动车排放源(11.0%)、扬尘源(9.9%)、生物质燃烧源(7.2%),工业源的贡献率(3.6%)最小.③利用随机森林-SHAP模型量化排放源、大气氧化能力、气象条件等驱动因素对PM_(2.5)浓度的影响,发现观测期间排放源对PM_(2.5)浓度的影响程度为54.3%,高于其他驱动因素;气象条件对PM_(2.5)浓度的影响程度次之,为32.4%;大气氧化能力对PM_(2.5)浓度的影响程度相对较低,为13.3%.在采暖季和非采暖季,各驱动因素对PM_(2.5)浓度的重要性在排序上没有变化,然而驱动因素对PM_(2.5)浓度的影响程度有所不同.采暖季排放源对PM_(2.5)浓度的影响程度高于非采暖季,采暖季大气压对PM_(2.5)浓度的影响程度低于非采暖季.研究显示,排放源对PM_(2.5)的影响相对较大,气象条件和大气氧化能力对PM_(2.5)浓度的影响也不容忽视.

著录项

来源
《环境科学研究》 |2022年第11期|2425-2434|共10页
作者
许博; 徐晗; 赵焕; 张忠诚; 高洁; 李岳; 冯银厂; 史国良;
展开▼
作者单位

南开大学环境科学与工程学院;

中国气象局-南开大学大气环境与健康研究联合实验室;

南开大学计算机学院;

展开▼
原文格式 PDF
正文语种 chi
中图分类气相污染物;
关键词
颗粒物; 受体模型; 随机森林; 驱动因素; 影响;

相似文献

中文文献
外文文献
专利

1. 基于机器学习方法的臭氧和PM_(2.5)污染潜势预报模型--以成都市为例 [J] . 王馨陆 ,黄冉 ,张雯娴 . 北京大学学报:自然科学版 . 2021,第5期
2. 基于SDIR模型的PM_(2.5)影响因素探究 [J] . 黄天国 ,徐东 ,杨晓芳 . 黑龙江科学 . 2022,第8期
3. 合肥市不同功能街道峡谷PM_(2.5)和PM_(10)时空分布特征及影响因素分析 [J] . 王薇 ,程歆玥 . 生态环境学报 . 2022,第3期
4. 基于多站混合受体模型的临汾市PM_(2.5)潜在源分析 [J] . 王雁 ,高兴艾 ,裴坤宁 . 中国环境科学 . 2022,第3期
5. PM_(2.5)源解析中受体模型应用现状研究 [J] . 傅昭娟 . 化工管理 . 2016,第6期
6. 瞬时电位受体通道TRPA1/TRPV1在细颗粒物(PM2.5)诱导的气道上皮细胞损伤模型中的作用 [C] . 王沐昀 . 第二届东方呼吸病学术会议 . 2018
7. 应用双向耦合的WRF-CMAQ模型研究排放控制策略对长三角地区PM2.5及O3浓度的影响 [A] . 汪鹏 . 2018

机器学习耦合受体模型揭示驱动因素对PM_(2.5)的影响

摘要

著录项

相似文献

相关主题

期刊订阅