京津冀PM2.5浓度的时空变化及其基于机器学习的预测 | Urban CLim.

背景：京津冀地区面临严重的PM2.5污染问题，研究其时空变化和预测对污染控制至关重要。研究目的：系统分析2016-2019年京津冀地区PM2.5的时空变化趋势，并比较XGBoost、ANN、CNN、MLR四类机器学习模型的预测性能，结合SHAP框架识别关键驱动因子。结论：PM2.5浓度在四年间持续下降但仍超标，呈现冬高夏低和南北差异的空间格局；XGBoost模型预测性能最优；CO、NO2、SO2等污染物排放及高湿度、高气压、弱风速等气象条件是PM2.5的关键驱动因素，地形对污染积累和消散有显著影响。