使用Geo-AI与时间滞后和包裹跟踪功能量化环境NH3的来源贡献
Chih-Da Wu1, Jun-Jie Zhu2, Chin-Yu Hsu3
1Department of Geomatics, National Cheng Kung University, Tainan, Taiwan; National Institute of Environmental Health Sciences, National Health Research Institutes, Miaoli, Taiwan; Innovation and Development Center of Sustainable Agriculture, National Chung-Hsing University, Taichung, Taiwan.
Environment international
|February 27, 2024
概括
这项研究引入了一种新的地理空间人工智能 (Geo-AI) 模型,用于预测环境氨 (NH3) 度并确定排放源. 地质人工智能模型准确预测NH3水平,有助于减少颗粒物物质的战略.
科学领域:
- 环境科学 环境科学
- 人工智能的人工智能
- 地理空间分析是什么
背景情况:
- 环境氨 (NH3) 是颗粒物 (PM) 形成的关键前体,需要精确的监测和来源识别以有效控制污染.
- 来自空气质量站的有限的实时NH3数据阻碍了全面的理解和减少努力.
- 现有的NH3预测和来源分配方法在范围和实时适用性方面面临挑战.
研究的目的:
- 开发和验证一种新的地理空间人工智能 (Geo-AI) 模型,用于预测环境氨 (NH3) 度.
- 使用先进的分析技术,识别和量化各种来源对NH3度的贡献.
- 为在监测数据稀缺的地区提供可适应的NH3预测和来源分析方法.
主要方法:
- 开发一种新的Geo-AI基础模型,集成机器学习算法和地理预测变量.
- 在Geo-AI框架内应用地块跟踪功能,进行详细的空间分析.
- 使用Shapley添加式解释 (SHAP) 与域名知识进行源贡献分析.
主要成果:
- 地理人工智能模型在预测2016年至2018年的每小时平均NH3值方面取得了很高的准确性,解释了高达96%的总方差.
- SHAP分析发现水体,交通和农业排放是影响台中NH3度的最重要因素.
- 该方法证明了适用于有限的NH3监测基础设施的地区的适应性.
结论:
- 开发的Geo-AI模型为NH3预测和源分配提供了一种开创性和有效的方法.
- 准确的NH3数据和来源识别对于制定有针对性的减少颗粒物物质的政策至关重要.
- 这种可适应的Geo-AI方法论是未来环境政策和法规制定的重要工具.
更多相关视频
07:14Automated, High-resolution Mobile Collection System for the Nitrogen Isotopic Analysis of NOx
Published on: December 20, 2016
11.6K
09:03Assessment of Methane and Nitrous Oxide Fluxes from Paddy Field by Means of Static Closed Chambers Maintaining Plants Within Headspace
Published on: September 6, 2018
12.3K
