相关实验视频
Updated: Jun 19, 2026

07:07
Lung microRNA Profiling Across the Estrous Cycle in Ozone-exposed Mice
Published on: January 7, 2019
6.1K
中国城市聚合区的PM2.5和臭氧的时空空间变化以及臭氧的气象驱动因素使用可解释的机器学习
Yan Lyu1, Haonan Xu2, Haonan Wu2
1College of Environment, Zhejiang University of Technology, Hangzhou, 310014, China; School of Environment and Spatial Informatics, China University of Mining and Technology, Xuzhou, 221116, China; Shaoxing Research Institute, Zhejiang University of Technology, Shaoxing, 312077, China.
Environmental pollution (Barking, Essex : 1987)
|November 24, 2024
概括
在中国的COVID-19大流行期间,臭氧污染增加,由温度和太阳辐射等气象因素驱动,因地区而异. 可解释的机器学习确定了关键驱动因素,有助于污染控制战略.
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:
- 自2013年以来,中国的颗粒物 (PM2.5) 显著减少,但臭氧 (O3) 污染趋势,特别是气象驱动因素,仍然不清楚.
- 由于人类活动和气象影响的变化,COVID-19流行病为研究空气污染动态提供了一个独特的场景.
研究的目的:
- 从2015年到2022年,分析中国各地的PM2.5和臭氧的时空变化,重点关注COVID-19大流行时期.
- 用可解释的机器学习识别和量化区域臭氧变化的气象驱动因素.
- 为了比较气象因素对不同中国城市聚合物的臭氧形成的影响.
主要方法:
- 分析了2015年至2022年中国11个城市聚合区的PM2.5和臭氧数据.
- 应用随机森林和SHAP (夏普利添加式扩张) 分析来构建可解释的臭氧模型.
- 使用交叉验证 (CV-R2和CV-RMSE) 评估模型性能.
主要成果:
- 在全国范围内,PM2.5下降,而臭氧最初下降,但随后在大多数地区的流行期间增加,特别是成宇地区.
- 可解释模型在预测大流行期间的臭氧方面表现良好 (CV-R2 = 0.800.90).
- 关键的气象驱动因素因地区而异:高臭氧地区 (中平原,BTH) 的温度和入射短波流量至关重要;PM10的重要性在南部地区增加 (YRD,PRD);气象,特别是表面白度和感知热流,在中国西部 (西藏) 显著. 在成宇,海平面压力 (SLP) 非常重要.
结论:
- 气象因素在中国显著影响区域臭氧的形成,不同城市聚集区都有不同的驱动因素.
- 可解释的机器学习,特别是随机森林与SHAP,对于理解复杂的臭氧-PM2.5-气象相互作用是有效的.
- 调查结果为针对性空气污染控制战略提供了关键的见解,考虑到区域气象敏感性.

