来源：期刊VIP网 时间：
作者：魏佳芳;魏荣升;赵天赐;樊新建;纪鹏辉;曾俊翔;张仪文
单位：1.兰州理工大学能源与动力工程学院
摘要：随着城市化进程的加快，空气污染问题日益突出，准确预测空气质量指数(Air Quality Index, AQI)对污染预警和科学治理具有重要意义。构建一种高精度、可解释的AQI预测模型，以识别空气污染的关键驱动因子，可为环境管理提供决策支持。研究基于2013—2024年绵阳市空气质量日平均尺度监测数据，分析各污染物浓度的时序变化趋势，并利用斯皮尔曼相关性分析揭示指标因变量与自变量之间的定量关系。采用极端梯度提升(Extreme Gradient Boosting, XGBoost)算法建立AQI预测模型，并引入夏普利加性解释(Shapley Additive Explanations, SHAP)法对模型输出进行可解释性分析，以量化各污染因子对AQI的贡献。研究对比了XGBoost模型与其他模型的性能。结果显示：XGBoost模型在训练集与测试集上的决定系数(R~2)分别为0.99和0.96,均方误差(MSE)为50.47,预测性能优于其他机器学习模型。SHAP分析进一步表明，臭氧(O_3)、细颗粒物(PM_(2.5))和可吸入颗粒物(PM_(10))是影响AQI变化的主要因素，三者累计贡献超过80%。此外，不同污染物在污染高发期和空气良好期的影响权重存在明显差异，污染物间的协同效应在高浓度场景下更为显著。XGBoost-SHAP模型能够有效提升空气质量预测精度，并实现对污染成因的深入解析。研究结果可为城市空气污染的精准治理与分时段调控提供科学依据。
关键词：环境工程学;空气质量指数;空气质量预测;极端梯度提升算法;夏普利加性解释
基金资助：甘肃省水利科学试验研究与技术推广计划项目(25GSLK053,25GSLK059); 兰州市第三批科技计划项目(科技支撑专项)(2024-3-84); 兰州理工大学2025年青年教师学科交叉研究培育项目(062516)
