机器学习模型用于预测公共设施的室内空气传播真菌度,利用环境变量

科学领域:

• 环境科学 环境科学
• 公共卫生 公共卫生
• 计算生物学 计算生物学

背景情况:

• 空气中的真菌对室内空气质量和设施中的公共卫生产生负面影响.
• 准确预测真菌度对于管理暴露风险至关重要.

研究的目的:

• 开发和评估机器学习模型,用于预测公共设施中空气中的真菌度.
• 为了确定影响真菌存在的关键环境变量.

主要方法:

• 使用环境数据 (设施类型,温度,湿度,PM2.5-10,降水) 开发了七个机器学习模型.
• 利用基因基因测试来测量敏感和特定的真菌度.
• 采用渐变增强 (GB) 和夏普利添加式扩展 (SHAP) 用于模型评估和特征意义.

主要成果:

• 梯度增强模型实现了0.78的R2,证明了卓越的预测性能.
• 日托中心对真菌度的影响最大.
• 降水量低于平均值,空气温度,粗颗粒物 (PM2.5-10),相对湿度与真菌水平正相关.

结论:

• 机器学习模型,特别是渐变增强,可以有效地预测空气中的真菌度.
• 环境因素,如设施类型和天气模式,是室内真菌污染的关键决定因素.
• 开发的GB模型为评估公共空间中的微生物污染提供了有价值的工具.