[Estimación de la concentración de masa por hora de PM_2.5 en Guanzhong basado en el modelo XGBoost espacio-temporal]

Área de la Ciencia:

• Ciencias ambientales Ciencias ambientales.
• Ciencias de la atmósfera Ciencias atmosféricas.
• Ciencia de datos Ciencia de datos.

Sus antecedentes:

• Los datos precisos por hora de partículas finas (PM2.5) son cruciales para el monitoreo ambiental y la salud pública.
• Los modelos existentes a menudo carecen de la precisión y la resolución espacio-temporal requeridas para una evaluación efectiva de PM2.5.

Objetivo del estudio:

• Desarrollar y validar un nuevo modelo espacio-temporal XGBoost (STXGBoost) para una estimación precisa de la concentración de PM2.5 por hora.
• Analizar las características espacio-temporales de las concentraciones de PM2.5 en la región de Guanzhong utilizando el modelo desarrollado.

Principales métodos:

• Datos integrados de múltiples fuentes, incluidas imágenes satelitales (Himawari-8), mediciones de PM2.5 a nivel del suelo, datos meteorológicos, densidad de población, DEM y cobertura forestal.
• Desarrolló un modelo espacio-temporal XGBoost (STXGBoost), incorporando la heterogeneidad de los datos para una mayor precisión.
• Se aplicó el modelo STXGBoost para estimar las concentraciones de PM2.5 por hora en toda la región de Guanzhong en 2022.

Principales resultados:

• El modelo STXGBoost logró una alta precisión (R2=0.96, RMSE=7.17 μg·m−3, MAE=3.82 μg·m−3), superando el rendimiento de los modelos SVM, RF y XGBoost estándar.
• Se identificó una curva diurna "en forma de M" para las concentraciones anuales de PM2.5 entre las 08:00 y las 17:00 hora local.
• Reveló variaciones estacionales pronunciadas, con el invierno mostrando la mayor contaminación y un patrón diurno distinto; espacialmente, se observaron concentraciones más altas en la llanura central de Guanzhong.

Conclusiones:

• El modelo STXGBoost demuestra un rendimiento superior y estabilidad para la estimación de PM2.5 por hora, lo que confirma su aplicabilidad para el monitoreo de la calidad del aire.
• El estudio proporciona información valiosa sobre los patrones diurnos, estacionales y espaciales de la contaminación por PM2.5 en la región de Guanzhong.
• Los hallazgos apoyan el uso de modelos avanzados de aprendizaje automático que integran diversas fuentes de datos para una gestión ambiental efectiva.