高空间时间分辨率绘制PM2.5交通源的影响,整合机器学习和源特定的多重污染物指标
Lingling Lv1, Peng Wei2, Jingnan Hu2
1State Key Laboratory of Environmental Criteria and Risk Assessment, Chinese Research Academy of Environmental Sciences, Beijing 100012, PR China; School of the Environment and Safety Engineering, Jiangsu University, Zhenjiang 212013, PR China.
Environment international
|January 9, 2024
概括
这项研究引入了一种结合机器学习和排放数据的新方法,以准确地绘制来自交通来源的细颗粒物 (PM2.5) 污染. 它确定了污染热点,以更好地管理空气质量.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 数据科学数据科学数据科学
背景情况:
- 交通排放大大导致细颗粒物 (PM2.5) 污染.
- 由于观测数据有限,现有的受体模型在高分辨率的PM2.5源分配方面遇到了困难.
研究的目的:
- 开发一种新的方法,以高空间时间分辨率准确估计PM2.5流量源的影响.
- 解决当前来源分配技术的局限性,特别是在数据稀缺的地区.
主要方法:
- 集成机器学习 (极端梯度提升) 与化学运输模型,以优化污染物度场.
- 采用基于排放的集成移动源指标 (IMSI) 方法来分配PM2.5流量源.
- 利用多源数据进行模型开发和验证.
主要成果:
- 极端梯度增强模型在预测与交通相关的污染物 (NO2,CO,EC) 中实现了高精度 (R值为0.87-0.92),减少了50-67%的误差.
- IMSI方法成功地绘制了每日PM2.5流量源的影响,揭示了显著的空间异质性,并确定了污染热点.
- 在北京的一个地点,IMSI衍生的影响与受体模型结果之间发现了强烈的相关性 (R=0.79).
结论:
- 综合方法为估计PM2.5流量源影响提供了一个强大的工具,具有高的时空分辨率.
- 这种方法为空气污染管理提供了宝贵的见解,特别是在缺乏详细的PM2.5成分数据的地区.
- 这些发现支持制定精确及时的空气污染控制战略.
