基于机器学习的估计,在首尔的城市道路上CO2度₂

科学领域:

• 环境科学 环境科学
• 大气化学 大气化学
• 城市规划 城市规划

背景情况:

• 城市道路二氧化碳 (CO2) 排放量正在增加,需要有效的管理策略.
• 有限的道路二氧化碳度数据阻碍了对其变化和缓解的全面理解.
• 精确的监测对于管理城市二氧化碳水平和实施有效的减缓措施至关重要.

研究的目的:

• 开发一种基于机器学习的模型,用于预测韩国首尔的道路二氧化碳度 (二氧化碳交通).
• 分析二氧化碳流量的时空变化,并确定关键影响因素.
• 展示机器学习的实用性,作为广泛的道路二氧化碳监测的替代方案.

主要方法:

• 开发了一个机器学习模型,使用二氧化碳观测,交通量,交通速度和风速.
• 高精度预测每小时的二氧化碳交通度 (R2 = 0.8,RMSE = 22.9 ppm).
• 分析了二氧化碳交通与道路和土地使用类型的时空不均性.

主要成果:

• 该模型在预测每小时的二氧化碳流量方面取得了很高的准确性.
• 在首尔各地观察到二氧化碳流量的显著时空变化.
• 变化与道路类型 (主要/次要动脉,高速公路) 和土地利用类型 (住宅,商业,裸体地面,城市植被) 有关.

结论:

• 在管理城市二氧化碳度方面,道路上高空间时空二氧化碳监测至关重要.
• 机器学习模型为所有道路的综合CO2监测提供了一个可行的替代方案.
• 这种方法可以帮助有效的城市二氧化碳排放管理在全球城市,有限的观测基础设施.