在MERRA-2数据上应用机器学习 (个人与堆叠) 模型,预测印度表面PM2.5度
Abisheg Dhandapani1, Jawed Iqbal1, R Naresh Kumar1
1Department of Civil and Environmental Engineering, Birla Institute of Technology, Mesra, Ranchi, 835215, Jharkhand, India.
机器学习模型,特别是使用XGBoost的堆叠技术,显著改善了印度PM2.5空气污染的估计. 这种方法提高了大气再分析数据的准确性,解决了地面监测网络的局限性.
科学领域:
- 环境科学 环境科学
- 大气科学 大气科学
- 数据科学数据科学数据科学
背景情况:
- 由于有限的地面站,印度PM2.5的空间监测不均.
- 现代时代研究和应用的回顾性分析版本2 (MERRA-2) 提供了估计,但与地面观测相比,显示了显著的低估.
- 机器学习 (ML) 为提高PM2.5估计准确度提供了一个潜在的解决方案.
研究的目的:
- 用MERRA-2数据评估ML模型在提高PM2.5估计中的实用性.
- 为了比较单个ML模型和堆叠技术,以改善PM2.5预测.
- 评估印度不同地区最佳ML模型的表现.
主要方法:
- 使用MERRA-2气溶和气象数据作为输入特征.
- 个别的ML模型 (XGBoost,随机森林,LightGBM) 被训练和测试.
- 使用XGBoost作为元回归器的堆叠技术.
- 模型的性能与印度各地的地面观测得到了验证.
主要成果:
- XGBoost (XGB) 展示了最好的单个模型性能 (r2 = 0.73).
- 使用XGB作为元回归器的堆叠技术优于单个模型 (r2 = 0.77).
- 堆叠模型在印度提供了良好的每小时PM2.5预测,东部地区显示最佳结果 (r2 = 0.80).
- 性能因地区而异,由于数据稀疏,中部地区的准确性最低 (r2 = 0.46).
结论:
- ML,特别是堆叠技术,有效地改进了从印度MERRA-2数据中的PM2.5估计.
- 开发的模型提供了增强的每小时PM2.5预测,性能优于每日预测.
- 性能的区域差异突出显示了数据可用性对ML模型准确性的影响.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
08:47Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
Published on: February 9, 2024
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Steps in Outbreak Investigation
Response Surface Methodology
The process of RSM involves several key steps:
Precipitation and Co-precipitation
Precipitation Processes
