使用机器学习技术测量和预测空气中的颗粒物
Sebastian Iwaszenko1, Adam Smolinski2, Marcin Grzanka3
1Central Mining Institute - National Research Institute, Plac Gwarkow 1, 40-166, Poland, Katowice.
Scientific reports
|August 16, 2024
概括
机器学习模型通过预测颗粒物 (PM2.5和PM10) 来预测空气质量. 长期短期记忆网络在短期预测方面表现出色,而决策树和随机森林在长期空气质量预测方面表现良好.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气化学 大气化学
背景情况:
- 空气质量对人类健康至关重要,需要精确的监测和预测.
- 工业区通常具有广泛的空气污染监测网络.
- 收集的数据可以评估当前条件并预测未来的空气质量趋势.
研究的目的:
- 评估用于预测颗粒物 (PM2.5和PM10) 度的机器学习方法.
- 为了比较不同时间尺度上的不同算法的性能.
主要方法:
- 利用来自Ecolumn监测站的数据,测量温度,压力,湿度和PM水平 (PM1.0,PM2.5,PM10).
- 使用决策树,随机森林,循环神经网络和长短期记忆 (LSTM) 算法开发和测试模型.
- 实验了不同的超参数,网络架构和时间尺度 (10分钟,1小时,24小时).
主要成果:
- 长短期记忆 (LSTM) 算法在较短的平均时间内取得了最佳结果.
- 决策树和随机森林模型在长时间的平均化过程中表现强,精度损失最小.
- 性能在算法和时间尺度上有所不同,表明不同预测需求的特定优势.
结论:
- 对于短期空气质量预测来说,LSTM非常有效.
- 决策树和随机森林为长期预测提供了强大的替代方案.
- 该研究为在空气质量管理中应用这些机器学习方法提供了建议.
