23、AI助力臭氧预测：结合CMAQ与XGBoost模型

AI助力臭氧预测：结合CMAQ与XGBoost模型

1. 引言

地面臭氧是六种最常见的空气污染物之一。考虑到其对健康的影响，美国环境保护署（EPA）将臭氧的最大每日八小时平均（MDA8）浓度限制在70ppb。基于臭氧对公众健康和福利影响的科学证据，EPA将地面臭氧标准收紧至0.070ppm（8小时平均值）。当空气质量监测站的三年平均年度第四高每日最大8小时平均臭氧浓度小于或等于0.070ppm时，即达到该标准。

CMAQ是一个流行的开源数值建模系统，用于空气质量估计和预测。它结合了大气化学、物理学和空气质量建模的现有知识，以及并行计算加速技术，可同时对多种空气污染物进行建模，包括臭氧、颗粒物和各种危害地球生命的空气有毒物质。CMAQ可以模拟大气成分，帮助大气科学家评估当前状况和趋势，以找到适合社区、地区和州不同规模的最佳空气质量管理策略。它还能为用户提供给定区域内特定排放物在各种气候背景（如风速、温度、压力、降水、湿度等）下的空气污染物浓度数据。然而，CMAQ也存在一些局限性，像大多数数值模型一样，它高度依赖初始条件、物理近似等，这些潜在的误差源可能会导致与现实世界臭氧浓度的显著偏差。

本文的目标是使用机器学习（ML）模型来校准CMAQ模型的预测能力，使其更接近对臭氧浓度的准确观测，以EPA AirNow的观测数据作为真实来源或目标。我们旨在利用ML克服数值模型设置带来的系统偏差，并通过直接调整结果数值而非调整CMAQ本身来解决复杂的不确定性。本文讨论的XGBoost模型将被用于尝试增强CMAQ的建模结果，利用其计算高效的优化分布式梯度提升方法，以及能够识别CMAQ模型简化物理和化学（如参数化）所产生不确定性的梯度下降算法。这种方法旨在结合数值建模和ML的优势，设计一种更准确地预