基于機器學習的空氣質(zhì)量模型分析與研究

朱 茜

（河南省氣象探測數(shù)據(jù)中心，河南 鄭州 450003）

0 引言

2021 年11 月，中共中央、國務(wù)院印發(fā)《關(guān)于深入打好污染防治攻堅戰(zhàn)的意見》，《意見》指出，污染防治攻堅戰(zhàn)階段性目標任務(wù)圓滿完成，但重點區(qū)域、重點行業(yè)污染問題仍然突出，實現(xiàn)碳達峰、碳中和的任務(wù)艱巨，要深入打好污染防治攻堅戰(zhàn)。到2025 年，全國重度及以上污染天數(shù)比率控制在1%以內(nèi)。國家環(huán)境部門和氣象部門也加大了對空氣質(zhì)量的監(jiān)督和防治［1］?？諝赓|(zhì)量指數(shù)［2］（Air Quality Index，簡稱AQI）定量為描述空氣的質(zhì)量和污染狀況的無量綱指數(shù)，其代表的意義為AQI 數(shù)值越大、空氣污染級別和類別越高、表征顏色越深，說明該區(qū)域的空氣污染狀況越嚴重，空氣質(zhì)量的好壞直接影響著人們的健康?？諝赓|(zhì)量綜合指數(shù)［3-4］綜合考慮了《環(huán)境空氣質(zhì)量指數(shù)（AQI）技術(shù)規(guī)定（試行）》（HJ 633—2012）中規(guī)定了細顆粒物（PM2.5）、可吸入顆粒物（PM10）、二氧化硫（SO2）、二氧化氮（NO2）、臭氧（O3）、一氧化碳（CO）等六種污染物污染程度。對于AQI［5-7］的計算與評價過程主要分為三步：首先主要是對照六種污染物的分級濃度的限值［AQI 的濃度限值參照（GB 3095—2012）和API的濃度限值參照（GB 3095—1996）］，然后以細顆粒物（PM2.5）、可吸入顆粒物（PM10）、二氧化硫（SO2）、二氧化氮（NO2）、臭氧（O3）、一氧化碳（CO）等各項污染物的實際測量濃度值（其中PM2.5、PM10為24 小時平均濃度）來計算出空氣質(zhì)量分指數(shù)（Individual Air Quality Index，簡稱IAQI）；然后通過從各項污染物的IAQI中選擇最大的值確定為AQI，當AQI大于50時將IAQI 最大的污染物確定為首要污染物；最后是根據(jù)AQI 分級標準，確定空氣質(zhì)量級別、類別及對公眾表示的顏色、健康影響與建議應(yīng)采取的防護措施。傳統(tǒng)的空氣質(zhì)量預測模型和方法已然不能滿足和符合當前社會的需求，對空氣質(zhì)量的預測算法和監(jiān)測需要更為高效準確的方法。

機器學習算法是通過大數(shù)據(jù)分析自動獲得規(guī)律，然后利用獲得的規(guī)律（數(shù)學模型）對未知的數(shù)據(jù)進行預測與評估的算法。機器學習已廣泛應(yīng)用在經(jīng)濟、農(nóng)業(yè)、交通等多個領(lǐng)域，對人類社會發(fā)展做出了卓越貢獻。目前國內(nèi)外雖然對環(huán)境空氣質(zhì)量指數(shù)（AQI）的計算方法有所不同，但已經(jīng)引起了各個國家的重視。如大氣污染防治方面，通過利用IBM認知計算、大數(shù)據(jù)挖掘分析技術(shù)以及信息物聯(lián)網(wǎng)技術(shù)的優(yōu)勢，獲取并分析大量的環(huán)境監(jiān)測站和氣象衛(wèi)星傳送的實時數(shù)據(jù)，依靠自學能力和超級計算處理能力，向公眾社會提供未來的高精度環(huán)境質(zhì)量預報，實現(xiàn)對大城市地區(qū)的主要污染物來源分析和分布狀況的實時監(jiān)測。微軟亞洲互聯(lián)網(wǎng)工程院2014年發(fā)布的人工智能機器人技術(shù)就是基于城市大數(shù)據(jù)預測大氣質(zhì)量的技術(shù)，第一時間對PM2.5進行預測。因此利用機器學習對空氣質(zhì)量進行研究分析是一種可行方案。

本研究提出將機器學習、氣象要素與各種污染物相結(jié)合，通過對鄭州市2019 年的空氣質(zhì)量及氣象要素進行建模處理，結(jié)合信息技術(shù)，利用機器學習算法，對海量數(shù)據(jù)進行處理分析，實現(xiàn)了空氣質(zhì)量預測的準確性和及時性，為大氣污染防治提供了一定的科學技術(shù)支撐。

1 系統(tǒng)介紹

1.1 機器學習

隨著氣象信息化的不斷發(fā)展，氣象每天都會產(chǎn)生海量的氣象數(shù)據(jù)，如何能夠從海量的數(shù)據(jù)中獲取更有價值的信息，并通過這些信息更好地服務(wù)天氣預測對氣象領(lǐng)域的研究起到關(guān)鍵作用。機器學習及數(shù)據(jù)挖掘技術(shù)的發(fā)展為以上問題提供了更好的途徑和方法。

1.2 數(shù)據(jù)來源

本研究所使用的數(shù)據(jù)為2019 年的河南省生態(tài)環(huán)境廳空氣質(zhì)量監(jiān)測站歷史數(shù)據(jù)與河南省氣象CIMISS 歷史氣象數(shù)據(jù)?？諝赓|(zhì)量監(jiān)測站歷史數(shù)據(jù)和歷史氣象數(shù)據(jù)為逐小時數(shù)據(jù)，共8 760 組。通過數(shù)據(jù)的融合，主要包括了站號、時間、空氣質(zhì)量指數(shù)、二氧化硫、二氧化氮、可吸入顆粒物、細顆粒物、一氧化碳、臭氧、溫度、相對濕度、風速、能見度、小時雨量等14 個特征，其中站號和時間在本研究中作為無效特征值，在機器學習建模的時候不為所用，其他特征為機器學習建模所用。

1.3 模型結(jié)構(gòu)

圖1為模型結(jié)構(gòu)示意圖。

圖1 模型結(jié)構(gòu)

2 預測模型的建立

2.1 數(shù)據(jù)預處理

在本研究中，環(huán)境數(shù)據(jù)和氣象數(shù)據(jù)各個特征的量綱不同，為了減小對建立數(shù)據(jù)模型產(chǎn)生的影響，可以通過數(shù)據(jù)歸一化算法的離差標準化（min-max標準化），來提高機器學習對未來數(shù)據(jù)預測的速度和準確性。數(shù)據(jù)歸一化是將不同特征的數(shù)據(jù)統(tǒng)一映射到［0，1］區(qū)間上。離差標準化公式如式（1）。

式中：Xnorm設(shè)為數(shù)據(jù)經(jīng)過歸一化的特征值，X為數(shù)據(jù)的原始特征值，Xmax 和Xmin 為原始的數(shù)據(jù)集中對應(yīng)特征的最大值和最小值。通過對疑誤值、缺測值以及數(shù)據(jù)歸一化的處理，數(shù)據(jù)總共8 760組，截取的部分數(shù)據(jù)如圖2所示。

圖2 數(shù)據(jù)預處理

2.2 數(shù)據(jù)分析

經(jīng)過前期數(shù)據(jù)的預處理，采用皮爾遜相關(guān)系數(shù)對環(huán)境和氣象數(shù)據(jù)的各個特征值進行相關(guān)性的分析［8］。皮爾森相關(guān)系數(shù)是用于度量兩個變量（X和Y）線性相關(guān)程度的統(tǒng)計量。相關(guān)系數(shù)用r表示，其中n為樣本量，分別為兩個變量的觀測值和均值。r描述的是兩個變量間線性相關(guān)強弱的程度。r值介于-1 到1 之間，絕對值越大表明兩個變量的相關(guān)性越強。圖3 為空氣質(zhì)量、空氣污染物、氣象因子的相關(guān)系數(shù)，圖4 為空氣污染物與氣象因子的相關(guān)性，從圖3 和圖4 中可以看出，空氣質(zhì)量與PM2.5、PM10、CO 的相關(guān)性分別為0.95、0.9、0.73，空氣質(zhì)量與氣象要素中的能見度（VIS）相關(guān)性為0.53，與氣溫（TEM）相關(guān)性為0.43?？諝赓|(zhì)量與PM2.5、PM10、CO 三者的相關(guān)性最強，跟這三者有著最直接的關(guān)系?？諝馕廴疽蜃优c氣象要素因子的相關(guān)性，其中PM10與能見度（VIS）的相關(guān)性為0.46；SO2與氣溫（TEM）的相關(guān)性為0.48；NO2與氣溫（TEM）的相關(guān)性為0.46，與風速（WIN）的相關(guān)性為0.54，與能見度（VIS）的相關(guān)性為0.46；CO 與氣溫（TEM）的相關(guān)性為0.49，與能見度的相關(guān)性為0.68；O3與氣溫（TEM）的相關(guān)性為0.71，與濕度（RHU）的相關(guān)度為0.44，與能見度（VIS）為0.45?？傻贸隹諝赓|(zhì)量直接影響因子是空氣污染物因子，但是空氣污染物因子又與氣象中的氣溫、風速、能見度、濕度又有直接關(guān)系。

圖3 空氣質(zhì)量、空氣污染物、氣象因子的相關(guān)系數(shù)

圖4 空氣污染物與氣象因子的相關(guān)性

3 機器學習預測模型

回歸分析［3］是通過因變量和自變量相互依賴的定量關(guān)系，來確定兩個變量之間的因果關(guān)系，從而實現(xiàn)回歸模型的建立，并通過實際測量數(shù)據(jù)來對回歸模型的各個參數(shù)進行求解，最后對回歸模型進行評價，來確認該模型能否很好地擬合實際測量數(shù)據(jù)。如果擬合效果良好，便可以根據(jù)自變量進行下一步預測。本研究通過多個機器學習中的回歸算法［多元線性、SVM（支持向量機）、隨機森林］來對空氣質(zhì)量進行模型的建立。

3.1 線性回歸

Y為因變量，X1，X2，…，Xk為自變量，如果當自變量與因變量之間具備線性關(guān)系時，多元線性回歸模型表達為式（2）。

式中：b0為常數(shù)項，b1，b2，…，bk為回歸系數(shù)，Y為空氣質(zhì)量指數(shù)（AQI），X1，X2，…，Xk為空氣污染因子和氣象要素。通過Python 語言件對數(shù)據(jù)進行回歸分析，分析結(jié)果得到常數(shù)項和回歸系數(shù)，以下為預測模型。最佳擬合線為式（3）。截距為-0.017 659 648 736 074 673，回歸系數(shù)為［0.452 175 73-0.080 567 37 0.019 650 93 0.014 091 73 0.097 509 53 0.755 848 22-0.038 128 07 0.005 530 39 0.002 335 67 0.028 013 76 0.021 300 94］。圖5為多元線性回歸真實值與預測值對比。

圖5 多元線性回歸真實值與預測值對比

3.2 支持向量機

支持向量機方法［9］是建立在統(tǒng)計學習理論的VC 維理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復雜性（即對特定訓練樣本的學習精度）和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折中，以期獲得最好的推廣能力。圖6為支持向量機真實值與預測值對比。

圖6 支持向量機真實值與預測值對比

3.3 隨機森林

隨機森林屬于機器學習的一大分支——集成學習方法，隨機森林最小的單元是決策樹，通過集成學習的思想，將許多決策樹整合到一起構(gòu)成隨機森林，且森林中的每一棵決策樹之間沒有關(guān)聯(lián)，模型的最終輸出由森林中的每一棵決策樹共同決定。處理回歸問題時，則以每棵決策樹輸出的均值為最終結(jié)果。圖7為隨機森林真實值與預測值對比。

圖7 隨機森林真實值與預測值對比

4 模型評估

交叉驗證是在通過機器學習建立模型后，使用的最普遍最經(jīng)典的驗證模型參數(shù)時常用的方法。本研究在使用交叉驗證時，首先將歸一化和處理過的數(shù)據(jù)集分為了訓練數(shù)據(jù)集和測試數(shù)據(jù)集兩個部分，分別占80%和20%，然后通過使用訓練數(shù)據(jù)集來構(gòu)建各個模型，最后通過測試數(shù)據(jù)集用來判斷所建模型的泛化能力，也就是該模型是否對于未知數(shù)據(jù)具有精確的預測能力。

回歸模型評估指標有三種方法，分別是：平均絕對值誤差、均方誤差和R平方值。平均絕對誤差（Mean Absolute Error，MAE）是所有單個觀測值與算術(shù)平均值的偏差的絕對值的平均，主要是用來評估真實數(shù)據(jù)集和預測結(jié)果兩者的接近程度，如果兩者的擬合效果越好，其值就越小。均方誤差（Mean Squared Error，MSE）該指標計算的是擬合數(shù)據(jù)和原始數(shù)據(jù)對應(yīng)樣本點誤差的平方和的均值，如果該值越好，則說明擬合的效果越好。R平方值，其含義是也是解釋回歸模型的方差得分，其取值范圍是［0，1］，越接近于1，表明回歸平方和占總平方和的比例越大，回歸線與各個觀測點越接近，用自變量的變化來解釋因變量變化的部分越多，回歸的擬合程度就越好。

通過回歸模型評估指標的三種方法進行對比（見表1），其中關(guān)于平均絕對值誤差，隨機森林的絕對值最小，真實數(shù)據(jù)集合預測結(jié)果接近，擬合的效果好；關(guān)于均方差，誤差越大，該值越大，線性回歸模型相對較好；關(guān)于R平方值，隨機森林的R 平方值最大，回歸的擬合程度就越好。綜合來說，空氣質(zhì)量和空氣污染物因子、氣象要素因子更適合選用隨機森林來建立數(shù)學模型。

表1 各個模型評估結(jié)果對比

5 結(jié)語

本研究提出了基于機器學習的空氣質(zhì)量模型的分析與研究，選取鄭州市2019 年全年空氣質(zhì)量和氣象的逐小時數(shù)據(jù)，分別分析了空氣質(zhì)量與空氣污染物因子的相關(guān)性以及空氣污染物因子與氣象要素的相關(guān)性。最終選取空氣污染物和氣象要素作為輸入因子，采用線性回歸、支持向量機、隨機森林等方法分別建立了多個回歸模型，通過對回歸模型的評估算法的結(jié)果選取合適的預測模型。但該方法目前只適應(yīng)于站點的模型建立與預測，下一步應(yīng)繼續(xù)進行深度研究，從站點來繁衍出格點的實況預測模型。