一项基于机器学习的研究,研究气象和排放因素对PM2.5度的影响
Chenxu Zhao1, Zejian Lin2, Leifeng Yang2
1School of Energy and Environment, Anhui University of Technology, Ma'anshan, 243002, PR China; Guangdong Key Lab of Water & Air Pollution Control, Guangdong Province Engineering Laboratory for Air Pollution Control, South China Institute of Environmental Sciences, Ministry of Ecology and Environment, Guangzhou, 510655, PR China.
Journal of environmental management
|February 14, 2025
概括
排放源显著推动细颗粒物 (PM2.5) 污染,二次颗粒物是最大的贡献者. 气象因素也发挥着作用,特别是湿度,影响全年PM2.5水平.
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) 污染对环境和健康构成重大风险.
- 了解排放源和气象条件的复杂相互作用对于有效的PM2.5管理至关重要.
- 准确的来源分配和因素影响评估对于有针对性的污染控制战略至关重要.
研究的目的:
- 通过正矩阵分解 (PMF) 来识别主要的PM2.5排放源.
- 用先进的机器学习模型量化评估气象和排放因素对PM2.5度的影响.
- 分析PM2.5污染的季节性变化和影响因素.
主要方法:
- 积极矩阵因数分解 (PMF) 的应用用于源识别.
- 用于预测建模的使用光梯度增强机 (LightGBM).
- 雇佣了夏普利添加式解释 (SHAP) 和部分依赖图 (PDP) 用于因子影响分析和可视化.
主要成果:
- 排放来源占PM2.5度的83.4%,其中二次颗粒物是主要因素.
- 气象因素为PM2.5贡献了16.6%,而湿度是最有影响的因素.
- 季节性分析揭示了二次颗粒物,生物质燃烧,尘埃和煤炭排放的重大影响,季度间观察到的具体模式.
结论:
- 轻GBM模型有效地捕捉了PM2.5及其影响因素之间的非线性关系.
- 排放源,特别是二次颗粒物,是PM2.5污染的主要驱动因素.
- 这项研究提供了一种可靠的数据驱动方法,用于分析PM2.5污染的原因,并为管理策略提供信息.
