基于机器学习的空气排放监测方法的长期评估
Minxing Si1, Brett M Wiens2, Ke Du3
1Department of Mechanical and Manufacturing Engineering, University of Calgary, 2500 University Drive NW, Calgary, AB, T2N 1N4, Canada.
Environmental management
|September 30, 2024
概括
适应性增强模型在28个月内预测氧化 (NOx) 排放的长期表现优异,优于复杂的机器学习模型. 这凸显了对环境监测应用程序的更新法规的需要.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 工程 工程师 工程师 工程师
背景情况:
- 机器学习 (ML) 越来越多地用于环境监测.
- 在这个领域对ML的长期评估和风险/监管讨论很少.
- 预测氧化 (NOx) 排放对于环境管理至关重要.
研究的目的:
- 为NOx排放预测进行ML和统计模型的长期评估.
- 评估模型性能,确定挑战,并讨论监管影响.
- 为了比较不同ML算法的长期有效性.
主要方法:
- 开发了六种使用不同ML算法和统计方法的预测模型.
- 在28个月的时间内,对NOx排放预测的模型进行了监测.
- 使用根平均平方误差 (RMSE) 和相对准确性测试审计来评估性能.
主要成果:
- 适应性增强模型表现出最佳的长期性能 (RMSE:0.48公斤/小时),并通过了两个准确性审计.
- 复杂模型 (梯度增强,神经网络) 在训练中表现出色,但长期表现较差 (RMSE:0.51-0.57公斤/小时).
- 所有模型都在相对准确性审计中失败,其中包括过度装配和传感器漂移影响预测的问题.
结论:
- 在模型复杂性和环境监测的长期准确性之间存在一个权衡.
- 传感器漂移和数据范围问题显著影响ML模型性能.
- 当前的监管框架需要现代化,以适应环境应用中的ML进步.
