基于RF-CS混合算法的德黑兰臭氧污染时空预测模型构建及其环境健康意义

针对德黑兰地区臭氧(O3)污染时空预测精度不足的问题，Sejong University团队创新性地将随机森林(RF)与布谷鸟搜索(CS)算法结合，构建了季节性臭氧风险预测模型。该研究整合14种环境因子，实现春夏秋冬四季预测准确率95.2%-97%，为城市空气质量管理提供了高精度决策工具。

　　

随着全球城市化进程加速，地表臭氧(O₃)污染已成为威胁公共健康的重要环境问题。作为光化学烟雾的主要成分，O₃不仅会引发呼吸系统和心血管疾病，还与低出生体重、早产等不良妊娠结局密切相关。在伊朗德黑兰，快速的城市扩张和特殊的地理气候条件使得O₃污染问题尤为突出——该市年均日照时数高达2800小时，高温干燥的气候为O₃的光化学形成提供了理想条件。然而，传统数值模型如WRF-Chem存在计算复杂、设备要求高等局限，而常规机器学习方法在时空预测中又面临超参数优化不足的瓶颈。

针对这一科学难题，韩国世宗大学(Sejong University)XR研究中心的研究团队开展了一项创新性研究。他们首次将随机森林(Random Forest, RF)与布谷鸟搜索(Cuckoo Search, CS)元启发式算法相结合，构建了德黑兰地区O₃污染的时空预测模型。这项发表在《Ecotoxicology and Environmental Safety》的研究，通过整合气象、城市土地利用和遥感指数等14类环境因子，实现了对O₃污染季节性变化规律的高精度模拟。

研究团队主要采用三项关键技术：首先利用克里金插值法处理22个监测站2018-2022年的O₃浓度数据；其次通过Google Earth Engine平台获取NDVI（归一化植被指数）和LST（地表温度）等遥感指标；最后采用CS算法优化RF的n_estimators（决策树数量）、max_depth（树深度）等关键超参数，显著提升了模型性能。

研究结果部分，"3.1 时空模型开发"显示，经CS优化后的RF模型在秋季表现最佳（NRMSE=0.327），其超参数组合中max_depth达到89，n_estimators为47。"3.2 时空模型比较"通过交叉验证证实，RF-CS模型的预测精度全面超越标准RF，其中秋季MSE改善44.6%，R2从0.775提升至0.875。"3.3 影响因子时空趋势"揭示海拔（冬季相对重要性100%）和风向（春季100%）是主导O₃分布的关键因素，而温度（夏季29.06%）和湿度（秋季57.8%）的季节性影响显著。"3.5 风险地图验证"显示模型在四季的AUC值均超过0.95，其中秋季特异性达100%，证实了模型的可靠性。

在讨论部分，作者指出这项研究具有双重创新：一是首次在O₃预测中整合CS算法优化RF超参数，使季节性预测准确率最高达97%；二是构建了包含气象、遥感和城市多维数据的完整时空数据库。相较于前人研究，该模型精度显著优于DGC-SSEAM（95%）和VAR-XGBoost（94%）等方法。研究还发现德黑兰O₃污染呈现明显季节异质性——高温季节（春夏）主要受光化学反应驱动，而冷季（秋冬）则更多受地形（海拔）和大气湿度调控。这些发现为制定季节性差异化的污染防控策略提供了科学依据，如夏季重点控制前体物排放，冬季加强高海拔区域监测等。

尽管存在监测站点数据插值误差等局限，但这项研究发展的RF-CS框架为复杂环境下的空气污染建模提供了新范式。特别是模型对气象因子与城市特征交互作用的精准刻画，使得其可扩展应用于其他面临光化学污染挑战的干旱区城市。随着物联网(IoT)技术的发展，未来结合实时监测数据，该模型有望成为智慧城市环境预警系统的重要组成模块。