使用土地使用变量信息和随机森林方法来纠正颗粒物和气体物种合的CMAQ场中的空间平均偏差

科学领域:

• 环境科学 环境科学
• 大气化学 大气化学
• 流行病学 流行病学

背景情况:

• 准确的时空空污染数据对于健康影响和流行病学研究至关重要.
• 将观测数据与空气污染模拟相结合是一个新兴的研究领域.
• 现有的化学运输模型在模拟污染物度时可能存在偏差.

研究的目的:

• 从2005年至2014年,在美国大陆各地为12种污染物建造每日空气质量场.
• 使用随机森林方法融合土地利用,特定污染物度和化学运输建模.
• 为了尽量减少空气污染模拟中的空间和时间偏差.

主要方法:

• 使用随机森林方法整合土地使用数据,特定气体和颗粒污染物度以及化学运输模型输出.
• 每天为12种污染物生成空气质量场,包括CO,NOx,NO2,SO2,O3,PM2.5,PM10和PM2.5成分 (SO4(2-),NO3(-),NH4(+),EC,OC).
• 进行了四次交叉验证,以评估模型的预测准确性.

主要成果:

• 对于不同污染物,达到0.45到0.96的R平方值.
• 时间R平方值范围从0.84到0.99,空间R平方值范围从0.76到0.96.
• 该模型显示了PM10的显著改善,纠正了CMAQ场中存在的东向西偏差,而SO4由于已经准确的模拟显示了最小的改善.

结论:

• 随机森林模型有效地纠正化学运输模型模拟中的偏差,产生可靠的日常空气质量场.
• 生成的空气质量数据显示出最小的空间或时间偏差,增强了它们对健康和流行病学研究的有用性.
• 虽然总体上是一致的,但模型结果显示,受监视器分布和模拟输入变化影响的年比年略有变化.