模拟和预测PM2.5度,并使用可解释的树型模型分析驱动因素在中国上海,中国

科学领域:

• 环境科学 环境科学
• 大气化学 大气化学
• 数据科学数据科学数据科学

背景情况:

• 颗粒物 (PM2.5) 是一个主要的空气污染物,影响公共卫生和区域空气质量.
• 了解PM2.5度的复杂驱动因素对于有效的空气质量管理至关重要.

研究的目的:

• 用可解释的机器学习模型预测上海的PM2.5度.
• 确定驱动PM2.5水平的关键气象和污染物变量.

主要方法:

• 利用可解释的基于树的模型,包括随机森林 (RF) 和AdaBoost,用于PM2.5预测.
• 为了模型的可解释性,使用了沙普利增量解释 (SHAP) 和部分依赖图 (PDPs).
• 分析了气象数据和污染物度 (CO,SO2,O3,NO2,温度,湿度,压力,降雨量,风速).

主要成果:

• 射频模型表现出卓越的性能,R2为0.971,显著超过AdaBoost.
• 根据SHAP分析,CO,SO2和O3是影响PM2.5.5的最有影响力的因素.
• SO2的强烈影响低于40μg/m3,NO2的正相关性高达60μg/m3,大气压/降雨的负相关性.

结论:

• 该研究提供了准确的PM2.5预测模型,并确定了上海的关键影响因素.
• 结果为制定有针对性的城市空气质量管理和污染减缓战略提供了宝贵的见解.
• 像RF这样的可解释模型是理解复杂空气污染动态的有效工具.