机器学习对COVID-19封锁期间PM_2.5变化的见解:马什哈德的LSTM和RF分析

科学领域:

• 环境科学 环境科学
• 大气化学 大气化学
• 城市空气质量 城市空气质量

背景情况:

• 在全球范围内,COVID-19封锁显著改变了人类流动性和工业活动.
• 了解这些干预措施对城市空气质量的影响对于公共卫生和环境政策至关重要.
• 颗粒物 (PM2.5) 是空气污染的关键指标,对健康有重大影响.

研究的目的:

• 调查COVID-19封锁措施对马什哈德空气质量的影响.
• 使用统计和机器学习方法,比较封锁期前,期间和之后的空气质量.
• 量化人类流动性减少对PM2.5度的影响.

主要方法:

• 统计分析,包括对对的样本t测试,以比较每小时的PM2.5数据.
• 机器学习模型,特别是随机森林 (RF) 和长短期记忆 (LSTM) 网络,用于定量评估.
• 使用R平方值对模型性能进行评估 (LSTM:0.82,RF:0.78).

主要成果:

• 在封锁期间之前,PM2.5的适度下降2.40%被观察到.
• 隔离后,空气质量明显下降,季节性模式明显,与前几年不同.
• 机器学习模型准确地预测了PM2.5水平,证明了移动性变化与空气污染之间的联系.

结论:

• 封锁措施对马什哈德的PM2.5水平产生了有限的直接影响,这表明其他因素也会影响空气质量.
• 封锁后的空气质量恶化凸显了人类流动模式和城市空气污染之间的显著相关性.
• 空气污染模型对于理解人类干预的影响和制定长期改善空气质量的战略至关重要.