机器学习在大气污染物浓度预测中的研究进展OA

大气污染物浓度的精准预测是大气污染防治的重要前提。传统预测方法在计算成本、非线性拟合能力及泛化性能等方面存在固有局限,难以满足复杂大气环境下的高精度预测需求。近年来,机器学习技术的快速发展为该领域提供了新的解决方案。系统梳理用于大气污染物浓度预测的机器学习方法,并将其归纳为传统机器学习(如支持向量回归、随机森林、梯度提升树等)与深度学习方法两大基本范畴。对于深度学习方法,又依据其处理任务不同,将其划分为时间序列模型、空间尺度模型及时空融合模型;从模型机理、预测性能、适用场景及优缺点等维度,对各类模型进行比较分析。结果表明,传统机器学习方法在站点尺度短中期(t≤72 h)预测中表现稳定,具有良好的适用性;深度学习方法中,时间序列模型可有效提升多时间尺度预测精度,空间尺度模型提高了对空间关联特征的捕捉能力,而时空融合模型则可实现时间依赖性与空间关联性的协同建模,展现出较强的综合预测性能。未来该领域模型发展将朝着多源数据融合、模型架构轻量化与集成化、预测结果可解释化的方向推进;结合迁移学习、联邦学习等技术解决区域监测数据稀缺问题;拓展、提高模型在跨区域与极端污染事件等场景下的适用范围、预测精度,从而为大气污染的精准防控提供有力技术支撑。