大规模的时空深度学习预测城市住宅室内PM2.5度
Hui Dai1, Yumeng Liu1, Jianghao Wang2
1Department of Building Science, School of Architecture, Tsinghua University, Beijing 100084, China.
Environment international
|November 29, 2023
概括
一个新的贝叶斯神经网络模型准确地预测了室内PM2.5污染,这是全球主要的健康风险. 该工具有助于评估居民暴露情况,并管理室内空气质量带来的健康风险.
科学领域:
- 环境健康 环境健康
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 室内PM2.5污染是全球死亡率和发病率的重要原因.
- 室内PM2.5的大规模监测是困难的,阻碍了人口层面的风险评估.
- 现有的室内PM2.5模型缺乏概括性,通常只提供单点预测.
研究的目的:
- 开发一种通用,易于使用的模型,用于预测室内PM2.5度及其在全球的时空变化.
- 评估室内PM2.5污染对人口水平的暴露和相关的健康风险.
- 克服现有的机器学习模型在预测室内PM2.5.5的局限性.
主要方法:
- 开发了贝叶斯神经网络 (BNN) 模型,以预测城市住宅每日平均PM2.5度.
- 利用来自中国的全面全国传感器监控数据.
- 使用 10 倍交叉验证验证模型,实现 0.70.2 的 R2.
主要成果:
- BNN 模型表现出强大的预测性能,平均绝对误差为 9.45 μg/m3 ,根平均平方误差为 13.3 μg/m3.
- 实现了95%的预测间隔覆盖率85%,表明可靠的不确定性量化.
- 2019年中国的模拟人口加权年度室内PM2.5度为22.8μg/m3,超过了世卫组织的标准.
结论:
- 开发的BNN模型提供了一种可靠的方法,用于大规模预测室内PM2.5度.
- 该模型在人口层面的有效性对于管理室内空气污染和相关健康风险是有价值的.
- 调查结果突出显示,迫切需要对高室内PM2.5水平进行干预,特别是在中国.
