通过使用机器学习,揭示工业气味产生的环境投诉和主动对策的特点
Hao Xiao1, Jinping Tian1, Yalin Chen1
1School of Environment, Tsinghua University, Beijing, 100084, China.
Journal of environmental management
|October 15, 2024
概括
本研究引入了一种机器学习模型,用于预测工业气味投诉,从而实现积极的环境管理. 该方法通过优化监管资源配置,显著减少了近25%的气味投诉预测.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 工业生态学 工业生态学
背景情况:
- 工业气味是一个日益严重的城市挑战,导致广泛的环境投诉.
- 有效的气味投诉管理对于减轻公共卫生和社会影响至关重要.
- 轮胎制造业的气味是影响社区持续存在的工业气味问题的一个例子.
研究的目的:
- 开发基于机器学习 (ML) 的工业气味环境投诉风险 (ECR) 预测模型.
- 将ECR预测与适应性优化集成为主动的监管资源分配.
- 通过从被动到主动的气味管理来提高环境和社会可持续性.
主要方法:
- 利用机器学习 (随机森林) 来构建使用制造,气象和环境数据的ECR预测模型.
- 将投诉数据与时间解析数据结合起来,用于模型培训和验证.
- 整合了ECR预测模型与用于适应性优化监管资源的遗传算法.
主要成果:
- 在一个月的时间表上实现了可靠的ECR预测模型性能,平均ROC-AUC为0.79.
- 确定了ECR的关键驱动因素,包括工艺排放,风向和历史高风险时期.
- 通过主动管理策略,预测的ECR平均减少了24.7%.
结论:
- 基于ML的ECR预测模型对于管理工业气味投诉是有效的.
- 拟议的数据驱动框架允许主动,动态地分配监管资源.
- 这种方法提高了环境可持续性和利益相关者在工业气味管理方面的合作.
