估计台湾PCDD/F的每日平均度变化,使用基于Geo-AI的全新组合混合空间模型
Chin-Yu Hsu1, Tien-Wei Lin2, Jennieveive B Babaan3
1Department of Safety, Health and Environmental Engineering, Ming Chi University of Technology, New Taipei City, Taiwan; Center for Environmental Sustainability and Human Health, Ming Chi University of Technology, New Taipei City, Taiwan.
Journal of hazardous materials
|June 18, 2023
概括
这项研究引入了一种新的Geo-AI模型,用于预测多二二二氧化和二酸 (PCDD/Fs) 度. 这种先进的模型准确地估计了时空波动,有助于污染控制和健康研究.
科学领域:
- 环境科学 环境科学
- 地理空间分析的研究.
- 人工智能的人工智能
背景情况:
- 多二二氧化和二 furan (PCDD/Fs) 对人类健康构成重大风险.
- 广泛的实地研究对于理解和减轻PCDD/F暴露至关重要.
- 精确的PCDD/F的时空监测对于有效的环境管理至关重要.
研究的目的:
- 开发和验证一个基于新型的地理空间-人工智能 (Geo-AI) 集合混合空间模型 (EMSM).
- 预测2006年至2016年台湾PCDD/F度的时空波动.
- 确定影响PCDD/F分布和时间变化的关键因素.
主要方法:
- 集成多个机器学习算法和地理预测变量,使用夏普利增量扩展 (SHAP) 值.
- 开发包含 kriging,五种机器学习模型和组合技术的 EMSM.
- 利用每日PCDD/F I-TEQ水平,气象数据,地理空间预测因素以及社会/季节因素进行模型构建和验证.
主要成果:
- 与其他模型相比,开发的EMSM表现出卓越的性能,解释能力提高了87%.
- PCDD/F度的时间波动与天气条件有显著的相关性.
- PCDD/F的地理差异与城市化和工业化模式有关.
结论:
- 基于Geo-AI的新型EMSM提供了空间时间PCDD/F变化的准确估计.
- 这些发现支持有针对性的污染控制策略和PCDD/F对健康影响的流行病学研究.
- 这种方法为环境监测和持久有机污染物的风险评估提供了一个强大的框架.
