使用卫星数据集进行颗粒物估计:一种机器学习方法
Sunita Verma1, Ajay Sharma1,2, Swagata Payra3
1Institute of Environment and Sustainable Development, Banaras Hindu University, Varanasi, 221105, Uttar Pradesh, India.
Environmental science and pollution research international
|December 3, 2024
概括
这项研究开发了一种可解释的机器学习模型,用卫星气溶光学深度 (AOD) 来估计印度的颗粒物10 (PM10) 度. 该模型实现了0.78的强大的R平方值,显示了精确空气质量监测的潜力.
科学领域:
- 环境科学 环境科学
- 大气科学 大气科学
- 机器学习应用 机器学习应用
背景情况:
- 准确估计地面层颗粒物质10 (PM10) 度对于印度空气质量评估至关重要.
- 卫星衍生的气溶光学深度 (AOD) 为PM10估计提供了潜在的数据源,但需要仔细验证和校准.
- 现有的方法可能缺乏可解释性,或与气溶性质的区域差异作斗争.
研究的目的:
- 开发和验证可解释的机器学习模型,用于估计印度各地的PM10度.
- 使用来自INSAT-3D和中等分辨率成像光谱辐射仪 (MODIS) 卫星的AOD数据,以及地面测量.
- 评估不同卫星AOD产品的性能及其与地面数据的相关性.
主要方法:
- 开发一个可解释的随机森林机器学习模型,用于PM10估计.
- 利用中央污染控制局 (CPCB) 7年 (2014-2020年) 的卫星AOD数据 (INSAT-3D,MODIS) 和地面PM10数据.
- 与气溶机器人网络 (AERONET) 数据相对应的卫星AOD验证,并将过技术应用于INSAT-3D AOD,以改善相关性.
主要成果:
- 莫迪斯AOD与AERONETAOD的相关性很好;在过后,INSAT-3DAOD的相关性明显改善,达到0.66 (贾普尔) 和0.57 (坎普尔) 的相关性.
- 经过训练的随机森林模型实现了0.78的高R平方 (R2) PM10估计与2020年观察到的度相比.
- 该模型展示了有效的训练,最大限度地减少了高估和低估,尽管一些实例仍然存在,这表明需要更大的数据集.
结论:
- 使用校准卫星AOD的可解释机器学习模型是对印度PM10估计的最佳选择.
- 该研究强调了AOD数据质量控制和校准对于准确空气质量建模的重要性.
- 通过扩展数据集进一步完善模型,可以提高PM10度估计的准确性.
相关概念视频
01:29Application of Linearization and Approximation
A drone flying through complex terrain often relies on more than one sensing method to estimate small changes in altitude. Along with direct measurements, air pressure provides a useful indirect indicator of vertical movement. Atmospheric pressure decreases as altitude increases, and this relationship is commonly described using an exponential model. Although accurate, converting pressure measurements into altitude values requires calculations that are too complex to perform repeatedly during...
01:23Linear Approximations
For a differentiable function of two variables, linear approximation estimates values near a known point by replacing the curved surface with its tangent plane. Consider the function\begin{equation*}f(x,y)=x^2+3y^2\end{equation*}near the point (2, 1). The exact value at this point is f(2, 1) = 22 + 3(1)2 = 4 + 3 = 7.The linear approximation of f(x, y)) near (a, b) is\begin{equation*}L(x,y)=f(a,b)+f_x(a,b)(x-a)+f_y(a,b)(y-b)\end{equation*}First, compute the partial derivatives: fx(x, y) = 2x and...