揭开天空:使用机器学习技术在德克萨斯州高分辨率PM2.5预测
Kai Zhang1, Jeffrey Lin2, Yuanfei Li3
1Department of Environmental Health Sciences, School of Public Health,University at Albany, State University of New York, Rensselaer, NY, USA. kzhang9@albany.edu.
Journal of exposure science & environmental epidemiology
|April 1, 2024
概括
机器学习模型使用卫星数据和天气变量准确预测德克萨斯州的细颗粒物 (PM2.5). 梯度增强模型在PM2.5估计方面表现略好于随机森林模型.
科学领域:
- 环境科学 环境科学
- 大气科学 大气科学
- 数据科学数据科学数据科学
背景情况:
- 微粒颗粒物 (PM2.5) 是德克萨斯州一个重要的空气污染物.
- 有限的监管监测站阻碍了有效的PM2.5评估.
研究的目的:
- 为德克萨斯州的PM2.5度开发一个每日精细的预测模型.
- 整合卫星衍生的气溶光学深度 (AOD) 与气象和土地利用数据,以提高PM2.5预测.
主要方法:
- 利用德克萨斯州2013-2017年的综合数据集,包括地面PM2.5,MODIS AOD (1公里分辨率),天气和土地使用数据.
- 开发了使用梯度增强树和随机森林算法的预测模型,每年分别进行训练.
- 通过样本内和样本外验证技术评估模型性能.
主要成果:
- 模型实现了优异的样本内预测准确性,R2值在0.81到0.97.7之间.
- 样本之外的R2值为0.44-0.75,表明具有良好的预测能力.
- 在研究期间观察到德克萨斯东部预测的PM2.5度下降趋势.
结论:
- 机器学习,特别是梯度增强,有效地预测了德克萨斯州的PM2.5度.
- 卫星AOD和各种环境数据改善了空间和时间的PM2.5估计.
- 开发的模型为环境研究和决策提供了有价值的工具,这些领域的监测很少.
