在土耳其伊斯坦布尔提高每小时PM2.5预测:利用ERA5再分析和基因算法在比较机器学习模型分析中

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 城市规划 城市规划

背景情况:

• 快速的城市化和工业化增加了空气污染,造成严重的健康风险.
• 精确预测细颗粒物 (PM2.5) 对于有效的城市空气质量管理至关重要.
• 伊斯坦布尔是一个人口密的城市,由于各种排放来源,它面临着复杂的空气污染挑战.

研究的目的:

• 评估和比较各种机器学习 (ML) 模型对伊斯坦布尔PM2.5度的预测准确度.
• 通过使用高分辨率数据,调查伊斯坦布尔不同地区的PM2.5的空间变化.
• 确定影响PM2.5度的关键气象,土地覆盖和植被变量.

主要方法:

• 利用高分辨率的ERA5再分析数据进行基于网格的伊斯坦布尔空间分析.
• 进行了多重线性回归 (MLR),极端梯度提升 (XGBoost),轻梯度提升 (LGB),随机森林 (RF) 和非线性自回归与外源输入 (NARX) 模型的比较.
• 采用了NARX模型的遗传算法优化和变量选择的邻近组件分析 (NCA).

主要成果:

• 纳克斯模型表现出卓越的性能 (R值:0.89,RMSE:5.24μg/m3,MAE:2.94μg/m3),表现优于RF,LGB,XGBoost和MLR.
• 预测PM2.5的准确性因季节而异,在秋季和冬季表现更好.
• 在Region-1中观察到的精度最高 (R值:0.94),而Region-5显示最低 (R值:0.75).

结论:

• 优化的NARX模型在复杂的城市环境中对PM2.5进行预测是可靠的,即使监测数据有限.
• 该方法在类似的城市空气质量管理环境中具有全球应用的潜力.
• 先进的数据分析技术对于制定有针对性的污染控制战略和公共卫生政策至关重要.