XIS-PM2.5:在连续的美国,每天用于PM2.5的时空机器学习模型
Allan C Just1, Kodi B Arfer2, Johnathan Rush3
1Department of Epidemiology, Brown University School of Public Health, Providence, RI, USA; Institute at Brown for Environment and Society, Brown University, Providence, RI, USA; Department of Environmental Medicine and Public Health, Icahn School of Medicine at Mount Sinai, New York, NY, USA.
Environmental research
|January 26, 2025
概括
一个新的机器学习模型,XGBoost-IDW合成 (XIS),提供每日高分辨率的细颗粒物 (PM2.5) 污染在美国的估计. 该模型改进了现有方法,为健康和环境正义研究提供了更准确的空气质量数据.
科学领域:
- 环境科学环境科学
- 数据科学是数据科学.
- 公共卫生 公共卫生
背景情况:
- 美国的空气污染监测有限,需要强大的地缘统计模型来估计细颗粒物 (PM2.5) 度.
- 准确的PM2.5数据对于流行病学研究和了解环境健康影响至关重要.
研究的目的:
- 引入XGBoost-IDW综合 (XIS) 模型,用于在连续美国 (2003-2023) 的每日高分辨率PM2.5估计.
- 为了能够估计地址级的PM2.5暴露,包括近路梯度.
- 为未来的空气质量评估提供一个计算效率高且可扩展的模型.
主要方法:
- 开发了XIS,这是一种机器学习模型,利用卫星衍生的气溶光学深度和其他关键预测指标.
- 实现了一个计算可处理的工作流程,用于模型训练和预测.
- 采用加权评估指标,以确保在监测稀疏的领域进行公平的绩效评估.
主要成果:
- XIS实现了2.09μg/m3的加权平均绝对误差 (MAE),明显超过了中位数绝对偏差 (4.15μg/m3).
- 与美国环保署的FAQSD模型相比,XIS显示MAE减少了17%.
- 该研究发现,使用XIS与FAQSD相比,PM2.5和社会脆弱性之间的联系更强.
结论:
- 在重建环境暴露,特别是PM2.5度方面,XIS提供了实质性的进展.
- 该模型的高分辨率预测对环境正义和人类健康研究有价值.
- XIS提供了一个可扩展和准确的工具,用于评估空气质量及其对健康的影响.
