使用基于机器学习算法的定制软件包,准确有效地预测大气中的PM₁,PM_2.5,PM₁₀和O₃度

科学领域:

• 环境科学 环境科学
• 大气化学 大气化学
• 数据科学数据科学数据科学

背景情况:

• 颗粒物 (PM) 和臭氧 (O3) 是具有不利健康影响的重要空气污染物.
• 准确和有效地预测颗粒物和O3度仍然是一个挑战.
• 这些污染物本质上是次要的,使预测变得复杂.

研究的目的:

• 开发和评估一种XGBoost模型,用于预测PM (PM1,PM2.5,PM10) 和O3度.
• 研究各种数据集,特征和模型参数对预测准确性的影响.
• 为空气污染物度预测创建一个用户友好的软件应用程序.

主要方法:

• 使用了一年的监测数据,包括PM (PM1,PM2.5,PM10),O3,气象参数和前体度 (NOx,SO2,CO,,化物,类).
• 在预测中使用了 eXtreme Gradient Boosting (XGBoost) 机器学习模型.
• 应用主要组件分析 (PCA) 用于特征维度缩小.
• 开发了一个使用PyQt5用于预测应用程序的图形用户界面 (GUI).

主要成果:

• 在XGBoost模型中,PM1,PM2.5,PM10和O3度的有效和准确预测得到了证明.
• 使用PCA的特征选择和维度减少提高了预测效率.
• 开发的软件可以同时预测所有四种污染物.

结论:

• XGBoost模型提供了一种强大而高效的方法来预测关键空气污染物度.
• 集成的软件应用程序提高了空气质量预测的便利性和可访问性.
• 这项工作有助于改善空气质量监测和管理策略.