挥发性有机物及其在臭氧形成中的作用的来源分配和空间分布分析,使用机器学习在台湾中西部的机器学习
Manisha Mishra1, Pin-Hsin Chen1, Wilfredo Bisquera1
1Institute of Environmental Engineering, National Yang Ming Chiao Tung University, Hsinchu, 30010, Taiwan.
Environmental research
|June 5, 2023
概括
挥发性有机碳 (VOC) 的工业燃烧来源对台湾云林县的臭氧 (O3) 污染产生重大影响. 针对这些VOC的有针对性的监管对于有效的O3污染减轻至关重要.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 数据科学数据科学数据科学
背景情况:
- 臭氧 (O3) 污染是台湾云林县的一个重大环境问题.
- 了解挥发性有机碳 (VOC) 的来源和贡献对于有效的O3污染控制至关重要.
研究的目的:
- 评估基于机器学习的灵敏度分析,加上VOC的来源分配,以深入了解O3污染.
- 通过人工神经网络 (ANN) 识别在云林县有助于O3污染的关键VOC来源.
主要方法:
- 从10个监测站收集了54个VOC,NOX和O3的一年的每小时数据.
- 使用正矩阵因数分解 (PMF) 进行VOC来源分配,确定六个来源.
- 应用人工神经网络 (ANN) 分析,以确定O3污染对VOC源和NOX的敏感性.
主要成果:
- 陈旧空气质量 (AAM),溶剂使用 (SU) 和车辆排放 (VE) 占VOC总量的65%以上.
- ANN的分析发现工业燃烧 (IC) 挥发性有机化合物是影响O3污染的最敏感因素.
- 灵敏度顺序是VOCs-IC> AAM> VE ≈ CM ≈ SU > PP ≈ NOX. 这是一个很大的问题.
结论:
- 来自工业燃烧的VOC是云林县O3污染的主要驱动因素.
- 针对VOCs-IC的有针对性的监管对于有效减轻O3污染至关重要.
- 该研究强调了机器学习在理解复杂的大气污染动态方面的实用性.
更多相关视频
08:43PTR-ToF-MS Coupled with an Automated Sampling System and Tailored Data Analysis for Food Studies: Bioprocess Monitoring, Screening and Nose-space Analysis
Published on: May 11, 2017
12.5K
08:23Analyzing the Photo-oxidation of 2-propanol at Indoor Air Level Concentrations Using Field Asymmetric Ion Mobility Spectrometry
Published on: June 14, 2018
8.9K
