基于机器学习的自动光解速率预测系统的开发

科学领域:

• 大气化学和物理大气化学和物理
• 环境科学 环境科学
• 机器学习应用 机器学习应用

背景情况:

• 光解速率 (J值) 对于确定大气氧化能力和二次污染物形成至关重要.
• 准确的J值预测对于空气质量建模至关重要,但传统方法可能是计算密集或有限的.
• 现有的模型往往需要手动调整参数,从而限制了它们的适应性和效率.

研究的目的:

• 开发一种自动化机器学习系统 (J-ML),用于预测关键光解速率 (J-值).
• 与观察数据和传统模型相比,评估J-ML在复制和预测J值方面的表现.
• 评估J-ML衍生的J值对空气质量模型预测的影响,特别是对臭氧和二次有机气溶的影响.

主要方法:

• 开发了一种能够自动选择最佳模型和超参数的自动机器学习系统 (J-ML).
• 经过训练和验证的J-ML使用观察到的气象数据,J值和来自多个中国城市的污染物度.
• 将J-ML预测与观察到的J值和来自热带层紫外线和可见 (TUV) 辐射模型的预测进行了比较.
• 将J-ML衍生的J值集成到基于排放的观测模型 (e-OBM) 中,以评估对臭氧预测的影响.

主要成果:

• J-ML在复制观察到的J值方面表现出很高的准确性,相关系数 (R) 超过0.93,准确性 (P) 值在0.68-0.83.3之间.
• 该系统在接下来的3-7天内实现了良好的每小时预测性能 (R从0.78到0.71).
• 在e-OBM中使用J-ML J值改善了臭氧度预测,显示R增加了4%-12%,平均误差 (ME) 减少了4%-30%,与使用TUV衍生的J值相比.
• 表面太阳向下辐射被确定为所有J值中最有影响力的参数,其次是温度,臭氧度,云层,边界层高度,相对湿度和表面压力.

结论:

• 自动化的J-ML系统为预测光解速率提供了强大而准确的方法.
• 作为传统大气化学模型的有效补充,J-ML增强了空气质量预测.
• 该系统的自我优化能力及其强的性能突显了其在操作空气质量预测和研究方面的潜力.