PM2.5重污染天气是指PM2.5日均质量浓度>150 μg/m3的天气。作为一种灾害性天气[1],其严重危害人类健康，降低人们的生活质量。若能精准预测，并提前进行调控和区域联防联控[2-3],则可有效减轻其危害。国内重污染天气预报以京津冀、长三角、珠三角等地起步较早，积累了不少经验，方法上多以数值模式为主[4],或是多模式集合[5],或是数值模式与统计模式相结合[6]。近年来，随着大数据时代的到来，海量的数据需要智能的统计、抽样方法，于是机器学习的理论研究和应用研究得到快速发展[7-8]。在气象领域，随着探测技术的进步和探测手段的丰富，各种基于天基、空基、地基、海基的观测数据愈来愈多，不同来源、不同种类的数值模式输出资料很多，如何快速处理和充分利用这些数据成为亟须解决的问题。由于机器学习算法具有较强的非线性映射能力、学习能力和容错性[9-12],可以融合不同时空尺度的数据，计算效率高，在数据海洋中挖掘数据特征的能力强，为多尺度气象与环境数据融合、实况与预报数据融合、不同数值模式之间的融合，并高精度预报空气质量提供了可能，故最近也有不少应用机器学习或深度学习方法预测空气质量的文献出现[13-18]。然而，该类预报一般存在预报时效偏短(24 h),或者预报准确率偏低等问题。如今，高时空分辨率的数值天气预报模式如欧洲中心EC_thin(ECMWF细网格模式)、我国具有自主知识产权的CMA_GFS(中国气象局全球预报系统)等三五日内的天气形势预测已达到相当高的精度[19],这客观上为准确预报重污染天气创造了条件。若在空气质量预报模型中加以融合利用，则可显著提升模型预测性能。此外，机器学习模型常因缺乏透明度和可解释性而饱受诟病[20]。为提高重污染天气预报模型的透明度，文中就大气重污染预报模型进行可解释性研究，分为事前可解释性(Ante-hoc)和事后可解释性(Post-hoc)[21]。其中，Ante-hoc以特征重要性排序[22-23]和分析为代表，揭示影响PM2.5浓度的主要因子；Post-hoc以具体过程的预报敏感性[24]分析为例，揭示导致某次PM2.5污染过程的主要影响因子。据研究，湖南的长沙、株洲、湘潭，以及常德、益阳、岳阳等城市地处华北高浓度污染物南下的重要传输通道之上，年均重污染天数有5 d ～ 8 d, 首要污染物一般为PM2.5[25-26]。今建立重污染预报机器学习模型，对湖南的6个传输通道城市PM2.5浓度及等级进行预报并对模型开展可解释性研究，为大气污染防控提供技术支撑。

1、资料来源和研究方法

1.1 资料来源

建模采用2017—2021年长沙、湘潭、株洲、益阳、常德、岳阳的气象和环境观测数据，气象观测包含温压湿风等31个地面气象要素，环境观测包含PM2.5、PM10、SO2、NO2、O3、CO等要素，以天为单位统计。由于部分资料缺失，筛取资料齐备的样本总计1 529个 ～ 1 568个，其中训练样本1 300个(2017年1月—2021年1月),测试样本229个 ～ 268个(2021年2—12月),训练和测试互不交叉。收集同时期的EC_thin、CMA_GFS数值天气预报产品。气象观测资料来源于各城市的国家观测站；环境观测资料来源于各市环境监测中心站(国控站);EC_thin和CMA_GFS模式资料来源于湖南省气象科研数据服务器备份。1 d ～ 4 d模型的特征数量分别为619个、513个、466个、325个。

1.2 研究方法

湖南重污染天气的首要污染物，除少数受沙尘天气影响为PM10外，95%以上为PM2.5。此外，鉴于近年来O3浓度日益升高，基于PM2.5和O3协同控制的理念，系统同时集成PM2.5和O3浓度预报和等级预报结果，依次用各种经典机器学习算法进行训练、验证和测试，并从中选择最优算法。采用的机器学习分类算法有决策树(DT)、支持向量机(SVM)、K近邻(KNN)、集成(EL)、人工神经网络(ANN)等；回归算法有高斯过程回归(GPR)、回归树(RT)、支持向量机(SVM)、集成(EL)、深度学习长短期记忆网络(LSTM)等。

1.3 数据预处理技术和方法

收集长沙、湘潭、株洲、益阳、常德、岳阳的2017—2021年气象、环境观测数据，以及数值模式输出数据，形成基础数据集。若观测数据有缺失，则删除该样本；若数值模式缺失超过40%,则弃用该样本。剔除异常值，采取的剔除办法分两步，一是找最大值、最小值，观察是否符合正态分布，删除异常值；二是进行自变量散点图分析，查找明显离群的点并予以删除。

1.4 特征提取与特征构建方法

PM2.5浓度预测模型的特征因子包括站点环境监测数据8个，如昨日AQI、PM2.5、PM10等，气象观测因子31个，如昨日气温、相对湿度、日照、风向风速、气压等。数值模式预报输出因子300 ～ 500个，包含模式预测的当日地面和高空各要素值，由程序从历史网格数据中插值提取，形成特征集。

为了提升模型的预测性能，须引入高质量的特征，除了引入数值模式的输出结果外，还须另外构造一些物理意义明确、与PM2.5浓度相关性较强的特征。针对湖南重污染天气一般具有大范围静稳形势、大多数污染过程有较明显的上下游效应、存在区域传输、与冷空气密切相关等特点，前面提取的待预测站点的点上特征不足以完整描述大气污染过程的系统特性，还须从线上和面上分别构造一些特征来进行辅助描述。线上构造传输指数(C),其包含3个分指数：传输强度(Cq)、传输距离(Cj)、传输速度(Cs);面上构造静稳指数(W),反映区域大气的静稳程度，由W1、W2两个分指数构成，W1统计研究区域内霾出现的站次，W2由关键区内气压梯度、平均风速、温度梯度等计算得出。

2、结果与讨论

2.1 建立模型

机器学习模型采取扁平化结构输入数据，不同因子权重相同，相同因子不同时次的数据权重也相同。如未来某天某预报因子取5个时次的预报数据，不同时次的因子同等地位平行输入模型，由模型自动筛选或者由特征重要性排序进行筛选。总的特征因子数有619个，样本数1 500余个，组成619×1 500特征矩阵，归一化之后根据预测目标浓度或等级设定标签进行训练、验证和测试。用1.2研究方法中提及的全部算法依次运行，最后根据测试准确率(Ts)或均方根误差(RMSE)优选最佳模型，与深度学习模型比较优劣并选优。

LSTM模型理论上可以提取更多时间序列信息，适合作前后关联度较大的要素如PM2.5、O3浓度的预测建模，模型网络结构由输入(Input)—卷积(Conv)—双向LSTM(BiLSTM)—防过拟合(Dropout)—双向LSTM(BiLSTM)—防过拟合(Dropout)—全连接(FC)—回归输出(Regression output),共8层架构搭建而成。输入特征同样为环境观测和气象观测及数值模式预报产品，与机器学习模型的特征结构处理有所不同，例如预报次日的PM2.5浓度(日均值),机器学习模型的特征数为619个，其中某个要素(如温度),当日的日均值T,次日数值模式预报2:00、8:00、14:00、20:00的4个T,共算作5个特征输入；而深度学习模型则把当日的日均值T改用4个时次(2:00、8:00、14:00、20:00)的观测值T代替，再与次日数值模式预测的4个时次的T共8个数据组成一个序列，全部要素共224个序列，组成一个8×224的输入矩阵，输出为一个标量，即PM2.5浓度预测值。若预报后日的PM2.5,则由次日(4个时次)的预测值和后日(4个时次)的预测值组成一个序列，依此类推。有的要素如PM2.5浓度，只有观测值、无数值模式预测值，先由当日4个时次的观测值组成序列，再与其他要素8个时次的序列组成长短不同的序列。后续流程为特征序列数据输入后，先由Conv层提取不同因子之间的组合特征，再由双层双向BiLSTM+Dropout网络提取时序特征，通过FC层把前面提取的特征综合，最后输出回归预测值。

BiLSTM是由单向LSTM发展而来，由前向LSTM与后向LSTM组合而成，相比单向LSTM只能由前一时间步信息预测下一时间步输出，BiLSTM提供了一个反向编码机制，增加由未来时间步预测前一时间步信息的流程。作为一种尝试，发现BiLSTM在预测PM2.5浓度时有时比单向LSTM预测效果更好，这可能是由于PM2.5浓度既与前期的要素有关，又与未来的天气和要素有关。如当第二天有冷空气入侵时，PM2.5浓度常常会急剧上升，这时增加一个反向编码机制，利用未来的冷空气入侵信息可对这类PM2.5浓度上升事件进行较好的预测。至于使用双层BiLSTM+Dropout是为了提取更多的时序信息，实践中有时可以将相关系数平方(R2)提升0.01左右。此外，增加一个Conv层是为了提取不同因子的组合特征。

2.2 模型的预测性能评估

以长沙1 d ～ 4 d的PM2.5预报为例。样本按时间先后顺序排列，模型为深度学习双向双层Conv-BiLSTM,1 d的预测曲线[见图1(a)]与实况拟合较好，R2高达0.93,RMSE为7.89 μg/m3。预测曲线贴合实测曲线的波动，无明显的滞后效应，对重污染天气的极值预报误差也很小，未出现数值模式预报中常见的整体性偏低或漂移现象。2 d、3 d、4 d预测模型分别为GPR、EL、GPR,预测结果见图1(b)(c)(d)。由图1(b)(c)(d)可见，随预测时效增长，拟合效果依次变差。R2逐渐下降，依次为0.76、0.65、0.62;RMSE逐渐上升，依次为14.62 μg/m3、16.16 μg/m3、17.17 μg/m3;模型对2 d后优良天气的预测表现尚可，对强污染过程的极值估计明显不足。虽误差逐渐增大(通常预报值较实测值偏低),但拟合曲线的振动频率仍与实测曲线基本保持一致，说明48 h以后的预报尽管量级较实况偏小，但在趋势上仍有一定的参考价值。

图1长沙站PM2.5质量浓度1 d ～ 4 d预报与实测比较

2.3 模型的可解释性分析

2.3.1 事前可解释性(Ante-hoc)

在选择之前，一般需要对特征重要性进行排序，排序方法可基于机器学习的算法进行选择，如线性回归、SVM、DT、随机森林都有对特征进行打分的机制。今以随机森林特征重要性排序为例进行说明。随机森林特征重要性计算的基本思路是先直接测量每种特征对模型预测准确率的影响，然后重新排列这列特征值的顺序(或加入噪声),观察模型准确率的变化，对于不重要的特征，这种重排或加噪对模型准确率的影响很小，而对于重要特征却会极大降低模型的准确率。依据此法剔除数据集中影响较小的特征(本例阈值设为0.173 3)。

表1湖南省6个城市1 d ～ 4 d PM2.5浓度预报模型及性能比较①

表2湖南省6个城市1 d ～ 4 d重污染预报模型的Ts评估

表3为常德1 d PM2.5浓度预报模型的Ante-hoc和Post-hoc。总共筛选出32个特征，相比筛选前的619个特征，减少将近95%特征数，模型的性能反而得到明显提升。测试决定系数由0.87提高到0.91,测试RMSE下降2.18 μg/m3至8.14 μg/m3,改进效果较为显著。表3中第4列“特征重要性”对各个特征的重要性进行打分，分值最高的特征为昨日PM2.5,然后是昨日20时PM2.5、昨日AQI、昨日PM10等，说明前期的细微颗粒物积累对后期的PM2.5浓度十分重要；特征Ec_TCW00(欧洲中心数值预报0:00时刻大气柱总水汽含量预报，单位kg/m2)排名第5,该特征在以往研究中鲜有提及，而对PM2.5浓度的预测却十分重要，其作用机理值得进一步深入探究；传输强度Cq和静稳指数W2分别排名第6和第9,说明前文构造的特征虽然在重污染过程中的作用很大，但在日常的预报中并非最重要；还有特征为昨日大气饱和水汽压(E)和数值模式对未来天气的一些物理量预报等，比如未来地面6 h最大风速(FG6)、大气可降水量(PW)、700 hPa比湿(Q)、抬升指数(Li)和K指数(Ki)、降水量(TP)等的预报。据以上分析再结合其他城市的情况，可得PM2.5浓度预报模型的Ante-hoc一般存在事前三特性：未来PM2.5浓度既与环境要素有关又与气象要素有关(要素特性),既与前期要素有关又与未来要素有关(时间特性),既与地面要素有关又与高空要素有关(空间特性)。相对而言，前期要素比后期要素重要，环境要素比气象要素重要，地面要素比高空要素重要，具体重要性量化排序见表3第4列。

值得注意的是，根据湖南不同城市的建模经验，提高重要性阈值，减少特征数量，通常使得模型可解释性和稳定性增强并提高性能，不过少数时候可能会使模型的性能下降。如果选择更多的特征进入模型，那么后果必然导致可解释性下降，这时候需要Post-hoc来予以解释。

2.3.2 事后可解释性(Post-hoc)

事后可解释性并非是过程结束之后对过去过程的解释，而是模型对未来过程的预报结论计算出来之后，对这一预报的解释，旨在解释模型在具体预报过程中的工作机制、决策行为和决策依据，今采取敏感性分析的解释办法。2022年1月18日—20日湖南出现了一次区域性大气污染过程，以此次过程常德的预报为例进行Post-hoc分析。为防止单个模型的不稳定性，采用3种机器学习算法：GPR、BiLSTM、EL的集合预报方案。1月18日常德站实测PM2.5日均值为174 μg/m3,上述3种模型的预报值分别为164 μg/m3、173 μg/m3、158 μg/m3。就级别而言，3者均 > 150 μg/m3,故均预报准确；就精度而言，显然BiLSTM模型更好，绝对偏差仅有1 μg/m3。3种模型都分别对每个特征做敏感性试验，用历史均值代替实时数据输入模型计算，得到的结果分别见表3第5、6、7列，第8列为3者平均值。如第1行第5列-0.128 0的意思是，若将昨日PM2.5改为历史均值，预测值将由164 μg/m3变为143 μg/m3,比原预报值降低12.80%,由重度污染变为中度污染(GPR模型),表示本次过程中昨日PM2.5浓度偏高(对应污染累积)对预测结果有正贡献。为进一步分析各特征的贡献大小，将平均特征敏感性进行排序，可见，各特征的敏感性排序与重要性排序相比差别较大。对结果影响最大的特征为Cq,即18日传输强度的影响居于首位，若扣除其影响，用均值代入，则18日PM2.5的浓度值将下降26.82%,大气污染级别由重度污染降至中度污染；其次是PM2.5,将下降18.10%;然后分别是700 hPa比湿(Q)、气柱总水汽(TCWV)、气柱总含水量(TCW)、AQI、大气可降水量(PW)等。若定义敏感性 < -0.002为正贡献，> 0.002为负贡献，其绝对值 < 0.002为无贡献，则32个特征中有15个对结果有正贡献，6个无贡献，11个有负贡献。其中，负贡献最大的特征是K指数，表示若将K指数调整为均值，PM2.5浓度值将增加4.37%。由上述Post-hoc分析可知，常德此次重污染天气过程受上游传输和本地污染累积共同影响，其中传输的作用稍大，其他因素的影响小一个量级以上。因此，从大气污染防控的角度来看，为预防或减轻此类大气污染过程，加强区域间城市的联防联控是重点，同时严格控制本地前期的污染排放也很重要。

表3常德1 d PM2.5浓度预报模型的Ante-hoc和Post-hoc

3、结论

(1)基于机器学习的湖南空气质量预报模型(主要是重污染模型)训练样本多、收集特征全，预报因子融合了气象和环境数据，融入了前期观测资料及后期国外和国内的数值天气模式预报资料，包含地面和高空因子，预测时效长，预测精度高。

(2)Ante-hoc分析表明，影响湖南空气质量的主要特征为昨日PM2.5、PM10、AQI等环境观测数据，反映前期污染累积状况。另外，未来大气柱总水汽含量、水汽压、传输强度、静稳指数等物理量和构造指标也很重要。总体来说，PM2.5浓度预报模型存在事前三特性：既与环境要素有关又与气象要素有关(要素特性),既与前期要素有关又与未来要素有关(时间特性),既与地面要素有关又与高空要素有关(空间特性)。相对而言，前期要素比后期要素重要，环境要素比气象要素重要，地面要素比高空要素重要。

Post-hoc分析表明，2022年1月18日—20日常德重污染天气受上游传输和本地污染累积的共同影响，其中传输的作用稍大，其他因素的影响较小。为预防或减轻此类大气污染，加强区域间城市的联防联控是重点。

参考文献:

[1]喻义勇,陆晓波,朱志峰,等.南京2013年12月初持续重污染天气特征及成因分析[J].环境监测管理与技术,2015,27(2):11-16.

[2]张涵,姜华,高健,等.PM2.5与臭氧污染形成机制及协同防控思路[J].环境科学研究,2022,35(3):611-620.

[3]许艺馨,任杰,冯磊,等.基于小波分析优化PM2.5浓度预测模型[J].环境监测管理与技术,2021,33(2):24-28.

[4]邓雪娇,邓涛,麦博儒,等.华南区域大气成分业务数值预报GRACEs模式系统[J].热带气象学报,2016,32(6):900-907.

[5]张天航,王继康,张恒德,等.一种最优多模式集成方法在我国重污染区域PM2.5浓度预报中的应用[J].环境工程技术学报,2019,9(5):520-530.

[6]程念亮,李云婷,孙峰,等.北京市空气重污染天气类型分析及预报方法简介[J].环境科学与技术,2015,38(5):189-194.

[7]李细生,张华,喻雨知,等.基于机器学习分类算法的臭氧浓度等级预报在长沙的应用[J].热带气象学报,2023,39(4):453-461.

[8]周志华.机器学习[M].北京:清华大学出版社,2016.

[9]李雪清,郑航,刘悦忆,等.基于多源数据机器学习的区域水质预测方法研究[J].水利水电技术,2021,52(11):152-163.

[10]谢建新,宿彦京,薛德祯,等.机器学习在材料研发中的应用[J].金属学报,2021,57(11):1343-1361.

[11]王文,刘小刚,窦蓬,等.基于神经网络的深层机械钻速预测方法[J].石油钻采工艺,2018,40(S1):121-124.

[12]吕盼成,王丽萍,刘源.基于机器集成学习的中长期径流预报研究[J].水资源研究,2021,10(1):44-52.

[13]黄春桃,范东平,卢集富,等.基于深度学习模型的广州市大气PM2.5和PM10浓度预测[J].环境工程,2021,39(12):135-140.

[14]康俊锋,黄烈星,张春艳,等.多机器学习模型下逐小时PM2.5预测及对比分析[J].中国环境科学,2020,40(5):1895-1905.

[15]罗宇,袁薇,罗林艳,等.基于多变量混合长短期记忆神经网络的长沙PM2.5预报模型[J].科学技术与工程,2021,21(25):10967-10975.

[16]马井会,曹钰,余钟奇,等.深度学习方法在上海市PM2.5浓度预报中的应用[J].中国环境科学,2020,40(2):530-538.

[17]王馨陆,黄冉,张雯娴,等.基于机器学习方法的臭氧和PM2.5污染潜势预报模型——以成都市为例[J].北京大学学报(自然科学版),2021,57(5):938-950.

[18]张迪,赵隽颢,沈隽永,等.基于深度学习的大气细颗粒物污染时空预报[J].环境科学与技术,2020,43(9):141-154.

[19]沈学顺,陈起英,孙健,等.中央气象台全球中期数值预报业务系统的发展[J].气象,2021,47(6):645-654.

[21]纪守领,李进锋,杜天宇,等.机器学习模型可解释性方法､应用与安全研究综述[J].计算机研究与发展,2019,56(10):2071-2096.

[22]宋述芳,何入洋.基于随机森林的重要性测度指标体系[J].国防科技大学学报,2021,43(2):25-32.

[25]李细生,张华,喻雨知,等.长株潭城市群大气污染潜在源区分析及传输通道研究——以株洲市为例[J].环境监控与预警,2022,14(1):19-27.

[26]刘妍月,李军成.长沙市大气中PM2.5浓度分布的空间插值方法比较[J].环境监测管理与技术,2016,28(2):14-18.

基金资助:国家自然科学基金资助项目(No.41271095);湖南省自然科学基金资助项目(No.2024JJ7649); 湖南省气象局2020年重点课题基金资助项目(XQKJ20A001);中国气象局预报专项基金资助项目(FPZJ2024-091);

文章来源:李细生,喻雨知,杨云芸,等.基于机器学习的长株潭城市群PM2.5重污染预报[J].环境监测管理与技术,2024,36(05):13-19.