在泰国北部上部使用机器学习模型预测PM_2.5的长期回顾性度

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:

• 泰国北部地区面临着严重的空气质量挑战,原因是生物质燃烧和跨境污染.
• 准确的长期预测细颗粒物 (PM2.5) 对于公共卫生和环境管理至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测长期追溯PM2.5度.
• 在研究区域中确定PM2.5预测中最有效的ML技术.
• 为评估空气污染对健康的影响提供一个工具.

主要方法:

• 使用了包括PM10,火灾热点和气象变量 (2011-2020) 在内的综合数据集.
• 应用并比较多个ML算法:多层感知器 (MLP),支向量机 (SVM),多线性回归 (MLR),决策树 (DT) 和随机森林 (RF).
• 使用根平均平方误差 (RMSE),平均预测误差 (MPE),相对预测误差 (RPE) 和确定系数 (R2) 评估模型性能.

主要成果:

• 随机森林 (RF) 模型在预测PM2.5度方面表现出卓越的性能.
• 最好的射频模型实现了6.82μg/m3的RMSE,4.33μg/m3的MPE,22.50%的RPE和0.93.9的R2.
• 主要预测因素包括PM10,CO2,O3,火灾热点,空气压力,降雨量,相对湿度,温度,风向和风速.

结论:

• 机器学习,特别是随机森林,为预测复杂环境中的长期PM2.5水平提供了强大的方法.
• 开发的射频模型为泰国北部的空气质量研究和公共卫生评估提供了宝贵的工具.
• 这种预测能力可以为减轻PM2.5暴露对健康的影响制定策略.