机器学习的应用来分析臭氧对影响因素的敏感性:中国南京的一个案例研究
Chenwu Zhang1, Yumin Xie1, Min Shao2
1State Key Laboratory of Pollution Control and Resources Reuse, School of Environment, Nanjing University, Nanjing 210023, China.
The Science of the total environment
|April 21, 2024
概括
机器学习模型准确模拟地面水平的臭氧 (O3) 度. 灵敏度分析显示,挥发性有机化合物 (VOC),氧化 (NOx),温度和湿度显著影响臭氧形成,因季节和时间而异.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 数据科学数据科学数据科学
背景情况:
- 地表臭氧 (O3) 在中国越来越令人担忧,需要对其形成有更深入的了解.
- 有效的空气污染控制需要了解影响O3生产的因素.
研究的目的:
- 用机器学习 (ML) 和SHapley添加式扩展 (SHAP) 来进行O3模拟和灵敏度分析来演示数据驱动的技术.
- 评估ML和SHAP用于分析O3形成机制的实用性.
主要方法:
- 开发了一种轻度梯度增强机 (LightGBM) 模型,以模拟O3度,使用每小时的O3,前体 (VOC,NOx) 和气象因素的数据.
- 用SHAP方法深入分析了对O3形成的影响因素的影响.
主要成果:
- ML模型证明了可靠的O3模拟性能,确定系数 (R2) >0.80.
- SHAP分析有效地评估了影响O3形成的因素的季节性和日间影响.
- 挥发性有机化合物 (VOC),氧化 (NOx),温度和相对湿度被确定为关键因素,季节和时间的敏感性各不相同.
结论:
- 数据驱动的ML模型是O3模拟和机制分析的实用技术.
- 这种方法提供了传统方法的替代方案,并为空气污染研究和政策制定提供了潜力.
