德里空气污染物的时间趋势和预测建模:对人工智能模型的比较研究
Omer A Alawi1,2, Haslinda Mohamed Kamar1, Ali Alsuwaiyan3,4
1Department of Thermofluids, Department of Mechanical Engineering, Universiti Teknologi Malaysia, 81310 UTM, Skudai, Johor Bahru, Malaysia.
Scientific reports
|December 27, 2024
概括
这项研究开发了先进的深度学习模型,用于准确预测印度德里的空气质量. 双向长短存储器 (Bi-LSTM) 和其他模型在预测关键污染物方面表现出很高的性能,有助于环境决策.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气化学 大气化学
背景情况:
- 空气污染监测和建模对于环境决策组织至关重要.
- 开发有效的空气质量预测方法对于了解和减轻天气污染至关重要.
研究的目的:
- 预测各种空气质量参数,包括一氧化碳 (CO),二氧化 (NO2),臭氧 (O3) 和颗粒物 (PM2.5,PM10).
- 评估五种智能模型的性能:LSTM,Bi-LSTM,GRU,MLP和XGBoost用于空气质量预测.
主要方法:
- 从印度德里附近的监测站收集的每小时空气质量数据 (2020年11月 - 2023年1月).
- 开发并比较了五种深度学习和机器学习模型:LSTM,Bi-LSTM,GRU,MLP和XGBoost.
- 评估模型性能,使用R2值预测各种空气污染物.
主要成果:
- 在预测CO,NO,NO2,SO2,PM10和NH3方面,Bi-LSTM模型表现出卓越的性能,R2值高达0.979.
- 格鲁和LSTM模型在预测O3 (R2=0.9624) 和PM2.5 (R2=0.973),分别实现了高准确度.
- 所有开发的模型都显示出对研究的空气质量参数具有强大的预测能力.
结论:
- 深度学习模型,特别是Bi-LSTM,为准确的空气质量建模和预测提供了巨大的潜力.
- 这些发现突显了智能模型在提高我们对空气污染动态的理解方面的有效性.
- 这项研究通过可靠的空气质量预测,支持改善环境决策.
