通过深度学习预测空气污染,重点关注城市交通对PM10和噪音污染的影响

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 人工智能的人工智能

背景情况:

• 空气污染对人类健康和粮食安全构成全球威胁.
• 对空气质量的准确预测对于公共卫生干预至关重要.
• 了解污染源,如城市交通,对于有效的减缓策略至关重要.

研究的目的:

• 开发和评估具有长期短期记忆 (LSTM) 单元的重复神经网络 (RNN) 模型,用于在多个斯科普耶地点同时预测PM10.
• 评估城市交通对空气污染水平的影响,特别是在COVID-19封锁期间.
• 为了比较各种深度学习模型实现和超参数的性能.

主要方法:

• 利用斯科普耶当地传感器的历史空气质量数据.
• 来自公共API的综合气象数据.
• 使用的循环神经网络 (RNN) 模型与长期短期记忆 (LSTM) 单元用于时间序列预测.
• 分析了COVID-19封锁期间的空气质量数据,以评估减少城市交通的影响.

主要成果:

• 拟议的深度学习模型在预测多个地点的PM10水平方面表现出有效性.
• 该研究发现,城市汽车交通并不是斯科普耶空气污染的主要驱动因素.
• 模型性能被评估在不同的时间地平线 (1,6,12,24小时).

结论:

• 先进的深度学习模型,特别是RNN-LSTM,能够准确地预测多个位置的空气污染.
• 城市交通似乎对斯科普耶空气污染的贡献不如以前所认为的那么大.
• 需要进行进一步的研究,以确定研究的城市环境中主要的空气污染源.