在2015年至2022年期间,使用堆叠模型在公河流域的空间时间连续PM_2.5数据集

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:

• 颗粒物 (PM2.5) 污染对全球健康构成重大风险,每年造成数百万人的死亡.
• 公河流域 (MRB) 面临严重的PM2.5污染,现有研究缺乏准确性和时空覆盖.
• 准确和持续监测PM2.5对于了解其影响和制定有效的缓解策略至关重要.

研究的目的:

• 为公河流域 (MRB) 开发一个高精度的长期PM2.5监测系统.
• 在新型堆叠模型中利用化喷雾剂光学深度 (AOD) 和多源辅助数据来准确估计PM2.5.
• 提供2015年至2022年MRB中PM2.5污染变化的综合数据集.

主要方法:

• 采用了一个集成卷积神经网络 (CNN) 和光梯度增强机器 (LightGBM) 的堆叠模型.
• 化气溶光学深度 (AOD) 数据和多源辅助数据被用作堆叠模型的输入.
• 模型性能与独立的CNN和LightGBM模型使用交叉验证 (CV) 进行了验证.

主要成果:

• 堆叠模型表现出优异的性能,具有高的确定系数 (R2 = 0.92),低根平均平方误差 (RMSE = 5.58 μg/m3) 和低平均绝对误差 (MAE = 3.44 μg/m3).
• 与单个CNN和LightGBM模型相比,该模型有效地抑制了过拟合.
• 该研究产生了MRB (2015-2022) 的第一个高精度,空间和时间连续的PM2.5数据集.

结论:

• 开发的堆叠模型为像MRB这样的数据稀缺地区的长期PM2.5监测提供了强大而准确的方法.
• 新的PM2.5数据集为污染动态提供了有价值的见解,有助于分析污染原因.
• 这项研究支持制定有针对性的减缓政策,以应对MRB和周边地区的PM2.5污染.