通过应用机器学习和空间建模方法,提高基于土地使用和室内环境因素的室内PM_2.5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
• 公共卫生 公共卫生

背景情况:

• 室内细颗粒物 (PM2.5) 对整体暴露有显著的贡献,但个人监测对于大群体来说是具有挑战性的.
• 了解和量化室内PM2.5对于评估健康风险和制定有效的空气质量战略至关重要.

研究的目的:

• 开发和验证一种新的地理空间人工智能 (Geo-AI) 和机器学习 (ML) 模型,用于估计室内PM2.5度.
• 确定影响住宅环境中室内PM2.5水平的关键环境和人为因素.

主要方法:

• 收集了来自102个家庭的数据,包括气象,土地使用,室内环境因素和实时测量.
• 利用地缘AI (整合土地使用回归,逆距离权重,ML) 进行室外PM估计和逐步回归用于变量选择.
• 使用并组合多个ML算法 (SVM,MLR,MLP) 来预测室内PM2.5,MLP混合组合.

主要成果:

• 组装的Geo-AI和ML模型实现了室内PM2.5.5的10倍交叉验证R2为0.92和RMSE为2.3μg/m3.
• 室内PM2.5的主要预测因素包括室外PM2.5,PM2.5/PM10比率,季节,透因子,工厂附近,清洁频率,建筑物入口点和墙壁材料.
• 综合地缘人工智能和集成的ML方法的性能优于单个模型.

结论:

• 开发的模型提供了一种可靠的方法来估计室内PM2.5暴露,克服了个人监测的局限性.
• 研究结果为有针对性的室内空气质量管理和控制策略提供了宝贵的见解.
• 该模型在流行病学研究中具有潜在的应用,用于评估真实个体PM2.5暴露.