使用移动监控和机器学习,高分辨率的街道空气污染的时空估计
1Department of Urban Planning and Design, The University of Hong Kong, Hong Kong, China.
Journal of environmental management
|February 22, 2025
概括
这项研究引入了一种新的机器学习框架,以高空间和时间分辨率准确估计街道水平空气污染 (SLAP). 该方法有效地填补了数据缺口,为城市空气质量管理提供了关键的见解.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 城市规划 城市规划
背景情况:
- 传统的空气污染监测方法与空间和时间的变化作斗争.
- 固定网络提供有限的覆盖范围,而移动活动面临数据稀疏性.
研究的目的:
- 开发一个两步机器学习填补差距框架,以提高街道空气污染 (SLAP) 估计.
- 将SLAP估计从空间视图扩展到时空视图,解决数据缺口.
主要方法:
- 在两步框架内使用基于多任务图的XGBoost (MTGXGB) 模型.
- 实现了30-200m的空间和每小时的时间分辨率,用于PM2.5度估计.
主要成果:
- 在伦敦成功捕捉了短期和长期的PM2.5变化.
- 确定了污染热点和与交通速度和城市特征的相关性.
- 生成不确定性地图,以指导移动监控策略.
结论:
- 该框架推进机器学习以进行时空SLAP估计.
- 高分辨率的SLAP数据为政策制定提供了实际见解,包括低排放区 (LEZ).
- 证明了城市空气质量管理的可扩展性和实用性.
更多相关视频
08:23Real-time Breath Analysis by Using Secondary Nanoelectrospray Ionization Coupled to High Resolution Mass Spectrometry
Published on: March 9, 2018
8.9K
09:33Visualizing Field Data Collection Procedures of Exposure and Biomarker Assessments for the Household Air Pollution Intervention Network Trial in India
Published on: December 23, 2022
2.1K
