在南非城市使用机器学习技术预测空气污染颗粒物 (PM2.5)

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 公共卫生 公共卫生

背景情况:

• 由于工业排放,交通和化石燃料的使用,空气污染在全球范围内造成了重大环境和健康风险.
• 有效监测污染物,如颗粒物 (PM2.5) 对于公共卫生至关重要,但非洲面临着可靠传感器的短缺.
• 这强调了需要先进的建模技术来评估和预测空气质量,特别是在数据稀缺的地区.

研究的目的:

• 研究和应用机器学习技术,以高效准确地评估和预测空气污染.
• 开发模型来预测南非城市的颗粒物 (PM2.5) 度,包括监测数据有限的地区.
• 建立一个用于预测空气质量指数 (AQI) 状态的系统.

主要方法:

• 使用了一套机器学习算法,包括Cat Boost Regressor,极端梯度增强回归器,随机森林分类器,物流回归,支持矢量机器,K-最近邻居和决策树.
• 使用的猫助推回归器和极端梯度助推回归器用于使用历史数据进行PM2.5度预测.
• 应用K-最近邻居,物流回归,支持矢量机器,决策树和空气质量指数 (AQI) 状态预测的随机森林分类器.

主要成果:

• 猫提升回归器和极端梯度提升回归器在预测南非城市当前和未来的PM2.5度方面表现强.
• 性能最好的模型已成功扩展到在缺乏记录站的地区预测PM2.5.
• 实施的模型有效地预测了空气质量指数 (AQI) 状态,提供了对空气质量水平的见解.

结论:

• 机器学习为空气污染监测和预测提供了一种节省时间和成本的方法.
• 该研究成功地确定了南非城市中受空气污染影响最严重的地区.
• 这些发现强调了机器学习在加强空气质量管理策略方面的潜力,特别是在传感器基础设施有限的地区.