估计早上和晚上通勤时间在台湾的O3度使用精细的时空分辨率组合混合空间模型与Geo-AI技术
Chin-Yu Hsu1, Ruei-Qin Lee2, Pei-Yi Wong3
1Department of Safety, Health and Environmental Engineering, Ming Chi University of Technology, New Taipei, Taiwan; Center for Environmental Sustainability and Human Health, Ming Chi University of Technology, New Taipei, Taiwan.
Journal of environmental management
|December 8, 2023
概括
这项研究引入了一种先进的组合模型,可以在日常通勤期间准确预测地面层臭氧 (O3). 该模型显著改进了传统方法,为污染控制提供了高分辨率的时空洞察力.
科学领域:
- 环境科学 环境科学
- 地理空间的人工智能 (Geo-AI)
- 空气质量监测 空气质量监测
背景情况:
- 在地面水平上升的臭氧 (O3) 构成健康风险.
- 之前的研究往往忽略了日常通勤期间的O3暴露.
- 精确的O3时空预测对于公共卫生和环境管理至关重要.
研究的目的:
- 开发和验证一个整体混合空间模型 (EMSM) 来预测在早上和晚上通勤期间的O3度.
- 与传统方法相比,评估EMSM的性能.
- 为了生成高分辨率的O3变异地图,包括COVID-19限制之前和期间.
主要方法:
- 利用了地理空间人工智能 (Geo-AI) 集成 kriging,土地使用回归 (LUR) 和多个机器学习算法 (RF,CatBoost,GBM,XGBoost,LightGBM).
- 在预测变量选择中使用沙普利增量解释 (SHAP).
- 开发了整体混合空间模型 (EMSMs) 用于在台湾的26年间进行时空O3预测.
主要成果:
- 对于通勤时间,EMSM表现出比传统的LUR方法提高了58%的性能,达到0.91.9的调整后R2.
- 模型显示稳定性,并且没有过拟合,通过内部/外部程序和百分位数范围分析进行验证.
- 生成高分辨率 (每日,50m x 50m网格) O3变异地图,有助于分析COVID-19限制等事件的影响.
结论:
- 开发的EMSM提供了精确的,高分辨率的O3水平在通勤时间的时空估计.
- 这些先进的模型为了解和管理空气污染暴露提供了显著的改进.
- 这些发现支持有针对性的污染控制策略和有关O3健康影响的流行病学研究.
