在高度地区使用机器学习模型估计黑碳水平
Pratima Gupta1, Pau Ferrer-Cid2, Jose M Barcelo-Ordinas2
1Centre for Atmospheric Sciences, Indian Institute of Technology (IIT) Delhi, India.
The Science of the total environment
|July 17, 2024
概括
机器学习模型可以使用常见的空气污染和气象数据准确估计黑碳 (BC) 度. 多层感知子 (MLP) 显示出在污染地区具有成本效益的BC监测最有前途.
科学领域:
- 大气化学 大气化学
- 环境科学 环境科学
- 数据科学数据科学数据科学
背景情况:
- 黑碳 (BC) 是燃烧造成的重要空气污染物,影响辐射预算.
- 目前的BC监测成本昂贵,限制了其广泛应用.
- 污染地区,特别是印度北部地区,面临着高BC水平的挑战.
研究的目的:
- 开发成本有效的方法来估计黑碳度.
- 评估机器学习模型对BC预测的有效性.
- 利用现有的空气质量和气象网络进行BC估计.
主要方法:
- 使用的机器学习算法:随机森林 (RF),支持向量回归 (SVR) 和多层感知子 (MLP).
- 使用了有关氧化 (NOx),臭氧 (O3),PM2.5,相对湿度 (RH) 和太阳辐射 (SR) 的数据.
- 在高BC地区的验证模型:德里和阿格拉,跨越不同季节.
主要成果:
- 机器学习模型在预测BC度方面表现出类似的有效性.
- 多层感知子 (MLP) 产生了最有前途的结果,估计和监测的BC之间存在很高的相关性 (R2高达0.85).
- 在德里和阿格拉都观察到一致的表现,表明模型可靠性.
结论:
- 机器学习,特别是MLP,是预测BC度的宝贵工具.
- 这种方法提供了具有成本效益的城市空气质量管理和缓解策略.
- 这种方法对中低收入地区的大城市尤其有利.
