基于可解释性机器学习的城市O_(3)驱动因素挖掘

摘要

受前体物排放和气象条件等因素共同驱动,大气臭氧(O_(3))已成为影响城市夏季环境空气质量的主要污染物.目前物理化学机制驱动的演绎模型在进行O_(3)污染解析时需要的模型参数众多,运算时效性较差;数据驱动的归纳模型运算效率高,但存在可解释性差等问题.通过建立可解释性数据驱动的Correlation-ML-SHAP模型,Correlation模块挖掘O_(3)浓度关联影响因素,机器学习ML模块耦合可解释性SHAP模块计算各驱动因素对O_(3)浓度的影响贡献,实现对驱动因素的定量解析,并以晋城市2021年夏季O_(3)污染过程为例开展应用研究.结果表明,Correlation-ML-SHAP模型能够挖掘并利用强驱动因素模拟O_(3)浓度和量化影响贡献,其中ML模块采用XGBoost模型模拟准确度最佳.2021年夏季晋城市O_(3)污染强驱动因素为:气温、日照强度、湿度和前体物排放水平,贡献权重为:32.1%、21.3%、16.5%和15.6%,其中气温、日照强度和前体物排放水平贡献在污染天分别提升3.4%、1.2%和1.2%,前体物排放贡献权重在污染天排名提升至第3.各驱动因素对O_(3)浓度呈非线性交互影响,气温超24℃或湿度低于70%,分别有94.9%和94.1%的概率对O_(3)污染呈正贡献,这种气象条件下ρ(NO_(2))超9μg·m^(-3)或ρ(CO)超0.7 mg·m^(-3),分别有94.9%和99.3%的概率对O_(3)污染呈正贡献.东南风风速低于5.8m·s^(-1)或南风风速低于5.3m·s^(-1),均对O_(3)污染呈正贡献.模型定量解析了各驱动因素对城市O_(3)浓度的影响贡献,可为夏季城市大气O_(3)污染防控提供基础依据.