机器学习分析PM1对可见度的影响,并对度,成分和气象因素进行全面的灵敏度评估
Grzegorz Majewski1, Bartosz Szeląg2, Wioletta Rogula-Kozłowska3
1Institute of Environmental Engineering, Warsaw University of Life Sciences, 02-776, Warsaw, Poland. grzegorz_majewski@sggw.edu.pl.
Scientific reports
|July 19, 2024
概括
这项研究使用波兰的PM1度和天气数据来模拟可见性. 重金属显著影响可见性,特别是在城市地区,揭示了复杂的空气质量相互作用.
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:
- 降低可见度是一个重要的环境问题,特别是在城市地区.
- 已知颗粒物 (PM1) 和其化学成分是导致可见度降低的因素.
- 气象条件对空气质量和可见性起着至关重要的作用.
研究的目的:
- 使用机器学习开发和验证一种新的可见性建模方法.
- 调查PM1度,化学成分和气象因素对波兰两个城市的可见度的影响.
- 通过集群和灵敏度分析,确定可见性的关键决定因素,包括重金属的作用.
主要方法:
- 使用机器学习 (多层感知器) 制定了一个可见性预测模型.
- 应用无监督学习 (k-means集群) 来识别数据模式.
- 进行了全球敏感性分析 (GSA),以确定各种因素对集群内可见性的影响.
主要成果:
- 开发的模型在预测可见度方面取得了很高的准确性 (华沙的R=0.90,萨布雷的RMSE=1.52公里).
- 空气温度,相对湿度,PM1度和特定的重金属 (华沙的Rb,Vi,Cd;扎布雷的Cr,Vi,Mo) 被确定为显著的可见性决定因素.
- 集群分析揭示了局部和复杂的关系,强调重金属在降低可见度方面的低估作用.
结论:
- 机器学习和集群方法为理解复杂的可见性决定因素提供了强大的框架.
- 颗粒物中的重金属显著影响可见性,这是空气质量评估中经常被低估的因素.
- 调查结果强调,需要制定有针对性的战略,以减轻空气污染,提高城市环境的可见性.
