在数据有限的场景中,利用机器学习技术与低成本监视器加强对空气污染的空间推断

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 大气科学 大气科学

背景情况:

• 公平获取空气质量数据对于环境正义至关重要,但传统监测是昂贵和复杂的.
• 低成本的监视器为更广泛的数据可用性提供了潜力,但现有的机器学习模型往往需要无法访问的数据源.
• 受空气污染影响不成比例的弱势社区缺乏足够的局部数据.

研究的目的:

• 开发和验证社区规模颗粒物散射的深度学习模型.
• 利用来自低成本监视器和自由可用的数据集的数据,克服现有模型的局限性.
• 为了提高空气污染数据的可访问性,为环境正义倡议.

主要方法:

• 开发了深度学习模型,以在邻里范围内分散颗粒物 (PM).
• 利用来自低成本空气质量监测器和广泛可用的免费数据集的数据.
• 执行灵敏度分析以确定关键输入变量并评估模型性能.

主要成果:

• 实现的根平均平方误差 (RMSE) 在PM1,PM2.5和PM10下低于2.9μg m^-3.
• 从附近监测器识别的PM度,边界层特征和降水作为关键输入.
• 演示模型学习了空间依赖性,显示了对道路类型的不同灵敏度,RMSE低于区域差异.

结论:

• 开发的深度学习模型使用可访问的数据显著改善了颗粒物分散模型.
• 这种方法提高了空气污染数据的可访问性,支持脆弱地区的环境正义.
• 该研究为未来研究改进模型和扩大数据可访问性的研究提供了基础.