基于集体学习的环境甲检测和强度预测模型的开发和评估
Reek Majumder1, Jacquan Pollard1, M Sabbir Salek1
1Glenn Department of Civil Engineering, Clemson University, Clemson, SC, USA.
Environmental health insights
|February 29, 2024
概括
机器学习模型准确地检测甲 (CH4) 泄漏,并预测其强度. 这些先进的系统利用气象数据进行有效的逃逸CH4监测.
科学领域:
- 环境科学 环境科学
- 机器学习 机器学习
- 大气化学 大气化学
背景情况:
- 全球变暖问题需要先进的甲 (CH4) 检测技术.
- 流动的CH4排放带来了重大的环境风险.
- 现有的检测方法需要提高速度和准确性.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于检测逃逸甲 (CH4).
- 使用ML. 预测甲 (CH4) 排放的强度.
- 整合气象数据以改善CH4监测.
主要方法:
- 利用集体学习从较弱的模型中构建加权的ML模型.
- 训练模型用于CH4检测 (分类) 和强度预测 (回归).
- 嵌入的气象变量:风速,温度,压力,湿度,水蒸气,热量流.
主要成果:
- 分类模型实现了97.2%的准确性,0.972 F1得分,0.945 MCC和0.995 AUC ROC用于CH4检测.
- 回归模型实现了预测CH4强度的R2得分为0.858.
- 整体ML方法在检测和强度预测方面都表现出高效.
结论:
- 开发的ML模型为逃逸的CH4检测和强度评估提供了强大的解决方案.
- 模型可以适应与固定地面传感器或移动无人机安装系统的部署.
- 这项技术可以显著帮助减轻CH4排放对环境的影响.
