100 / 2021-08-29 16:19:22

基于缩尺模型实验和机器学习的街谷污染物浓度归因分析

街道峡谷 缩尺模型 机器学习 XGBoost（eXtreme Gradient Boosting）

摘要：在快速城市化的背景下，机动车已经成为城市街谷中污染物的主要排放源，街谷形态（高宽比、长宽比）、街谷设施（植被、高架桥）、以及气象条件（风向、风速）等都会对街谷污染物的扩散产生很大的影响。本文以CO₂为示踪气体，利用室外缩尺实验和机器学习相结合的方法，在比例为1：15的室外缩尺模型实验基地不同高宽比（H/W=1，2，3）的街谷中布置了线源排放装置，用CO₂传感器测量了真实大气条件下街谷不同高度（h=0.3m，0.9m）的CO₂浓度；根据不同的街谷形态、监测位点和气象条件下CO₂浓度数据，用机器学习方法建立了一个CO₂的XGBoost（eXtreme Gradient Boosting）回归模型，将街谷内不同监测位点污染物浓度的影响因素进行量化，探究了街谷形态、气象因素对街谷污染物浓度的影响。研究结果发现：（1）街谷的形态对CO₂的浓度有很大的影响，浓度随着街谷高宽比的增加而增加，当H/W从1增加到2时，浓度增加约0.5-1倍，当H/W从2增加到3时，浓度增加约1.5-2倍；（2）随着长宽比的增加，迎风侧和背风侧的浓度差异变大，两侧的浓度差异与街谷的长宽比和高度有关，在街谷狭窄和高度较低的情况下，差异最为明显；在H/W=3的街谷中，迎风侧0.3米和0.9米高度的浓度分别是背风侧的160.2%和23.5%；（3）街谷两端的污染物浓度普遍低于中间的浓度，街谷两端的传感器测得的浓度与内部的浓度差异在H/W=3的街谷中最大；（4）经过交叉验证，XGBoost模型在测试集上表现良好，R²为0.953；为了进一步研究各输入特征对CO₂浓度的贡献，我们计算了所有样本的SHAP（SHapley Additive exPlanation）值，结果显示：H/W（高宽比）、W/2（水平距离）、h（高度）和d（街谷纵深）对输出CO₂浓度的贡献百分比分别为34.1%、10.5%、4.9%和19.1%；在气象条件中，温度对污染物扩散的影响大于风向和风速，温度越高对污染物扩散越有利；T（温度）、φ（球坐标体系下的方位角）、θ（球坐标体系中的天顶角）、ws_b（背景风速）、wd_b（背景风向）和ws（街谷风速）的贡献率分别为12.1%、1.6%、1.5%、10.0%、4.8%和1.3%。我们首次将机器学习应用在缩尺模型实验结果上研究街谷线源扩散，量化了不同因子对街谷污染物浓度的贡献。