使用机器学习来预测和分析每日颗粒物度的新方法
Balamurugan Panneerselvam1, Nagavinothini Ravichandran1, Umesh Chandra Dumka2
1Center of Excellence in Interdisciplinary Research for Sustainable Development, Faculty of Engineering, Chulalongkorn University, Bangkok 10330, Thailand.
The Science of the total environment
|August 10, 2023
概括
精确预测细颗粒物 (PM2.5和PM10) 对公共卫生至关重要. 这项研究开发了一种改进的高斯过程回归模型,在预测受季节性和气象因素影响的空气污染物度方面表现优于其他模型.
科学领域:
- 环境科学 环境科学
- 大气科学 大气科学
- 公共卫生 公共卫生
背景情况:
- 传统的空气质量分析方法不足以预测细颗粒物 (PM2.5,PM10) 度,尤其是在快速城市化和工业化的背景下.
- 颗粒物对人类健康构成重大风险,需要改进模型以进行准确的评估和预测.
- 季节性变化和气象条件是城市环境中空气污染物度的主要驱动因素.
研究的目的:
- 开发和评估一个新的PM2.5和PM10度预测模型.
- 将气象变量 (风速,温度,降水,湿度,压力) 纳入空气质量建模中.
- 为了提高颗粒物质预测的准确性,以便明智制定政策.
主要方法:
- 用两个观测站的历史数据重建PM2.5和PM10的预测模型.
- 包括气象参数,如风速,温度,降水,特定湿度和空气压力.
- 将高斯过程回归模型与其他预测模型的应用和比较.
主要成果:
- 季节性变化显著影响空气污染物度,冬季显示出最高的超出允许的PM2.5水平 (2019年92天).
- 与替代模型相比,高斯过程回归模型表现出卓越的性能,实现更高的R2值和更低的预测误差.
- 开发的模型准确地预测了不同气象条件下的颗粒物度.
结论:
- 这项研究强调了高斯过程回归模型对于准确的颗粒物质预测的有效性.
- 提高预测准确度可以帮助污染控制机构制定有效的空气质量管理策略.
- 这些发现支持基于证据的决策,以保护公众健康免受空气污染的影响.
相关概念视频
01:23Mechanistic Models: Compartment Models in Individual and Population Analysis
64
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
64
01:18Steps in Outbreak Investigation
152
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
152