通过机器学习模型,对超细颗粒 (PM0.1) 面向行业的路边暴露的特征:共变量的影响对行业的变化影响的影响
Sultan F I Abdillah1, Sheng-Jie You2, Ya-Fen Wang3
1Department of Civil Engineering, Chung Yuan Christian University, Zhongli, Taoyuan, 32023, Taiwan; Department of Environmental Engineering, Chung Yuan Christian University, Zhongli, Taoyuan, 32023, Taiwan; Center for Environmental Risk Management, Chung Yuan Christian University, Zhongli, Taoyuan, 32023, Taiwan.
Environmental pollution (Barking, Essex : 1987)
|July 25, 2024
概括
机器学习模型准确地估计了不同路边环境中的车辆排气中的超细颗粒 (UFP) 暴露剂量. XGBoost表现出卓越的性能,有助于理解UFP空间变化和源分配.
科学领域:
- 环境健康科学 环境健康科学
- 毒理学 毒理学 毒理学
- 数据科学数据科学数据科学
背景情况:
- 超细颗粒 (UFP;PM0.1) 由于其大小和可变性,对健康构成重大风险.
- 车辆废气是UFP的主要来源,排放量因路边部门而异.
- 由于仪器成本,目前的流行病学研究在UFP的表征方面面临着挑战.
研究的目的:
- 评估UFP粒子数度 (PNC) 暴露剂量在工业,住宅和城市背景路边部门的成人和儿童中.
- 开发和应用机器学习 (ML) 算法,用于准确的UFP暴露剂量表征.
- 确定影响UFP暴露的关键共变量,并了解城市内变异性.
主要方法:
- 在工业 (IN),住宅 (RS) 和城市背景 (UB) 路边部门的成人和儿童中评估UFP PNC暴露剂量.
- 开发并使用ML算法 (XGBoost,MLR,RF) 来估计UFP暴露剂量.
- 采用SHAP分析来解释ML模型的输出和量化共变量贡献.
主要成果:
- 平均吸入的UFP剂量在温暖时期因行业和人口群体而异.
- 在估计UFP PNC暴露剂量方面,XGBoost模型实现了高性能 (R2高达0.965).
- SHAP分析揭示了UFP暴露的特定部门的空间变异性,由各种共同变量驱动.
结论:
- ML模型,特别是XGBoost,为评估UFP暴露剂量和来源分配提供了可行的替代方案.
- 调查结果强调了在UFP暴露评估中考虑路边部门和人口群体的重要性.
- 该研究使用先进的数据分析技术成功地描述了城市内UFP变异性.
