基于网格划分的空间关联区域VOCs浓度预测研究

为了提高VOCs浓度预测的准确性,实现污染物的精细化定位管理及提高环境治理效率,首先运用点云网格算法对研究区域进行划分,由克里金插值法预估出未设置监测点的网格数据,收集网格监测数据和预估数据。然后建立基于随机森林算法的VOCs预测模型,采用Bootstrap法选取训练样本子集,通过构建样本子集的决策树,得到VOCs污染物浓度预测结果,并对模型性能进行评价。结果表明:基于空间关联性和污染物特征的随机森林模型预测更加精准,将其与BP神经网络预测模型进行比较,二者的样本训练及预测的平均误差分别为3.15%和13.36%,随机森林模型的平均误差更小,模型效率更高。因此以网格划分为前提,将克里金插值法与随机森林回归模型相结合的VOCs预测方法,能为区域污染物治理和预警提供依据。