机器智能对区域空气污染负担疾病估计的改善前景
Cheng-Pin Kuo1,2, Joshua S Fu2, Yang Liu3
1Industrial Technology Research Institute, Hsinchu, Taiwan.
Frontiers in public health
|March 27, 2025
概括
机器学习可以改善空气质量模型,减少疾病负担估计错误. 该框架量化了化学运输建模中的偏差,增强了气候变化下的公共卫生评估.
科学领域:
- 环境科学 环境科学
- 公共卫生 公共卫生
- 数据科学数据科学数据科学
背景情况:
- 气候变化加剧了空气污染,需要精确的暴露和疾病负担 (BD) 估计.
- 目前的BD评估面临的不确定性是由于各种污染物度和暴露风险.
- 机器学习 (ML) 提供了一个有前途的解决方案,增加了数据可用性.
研究的目的:
- 开发和验证一个ML测量模型融合 (MMF) 框架.
- 从化学运输建模 (CTM) 输入量化空气污染物偏差.
- 分析与污染物估计和暴露风险相关的 BD 偏差.
主要方法:
- 提出了一个ML-MMF框架,将ML与CTM整合在一起.
- 在CTM模拟的PM2.5和O3度中的量化偏差.
- 分析了各种因素 (边界条件,气象,排放,土地使用) 对 BD 偏差的贡献.
主要成果:
- ML-MMF显著提高了PM2.5 (R2:0.41至0.86) 和O3 (R2:0.48至0.82) 的CTM精度.
- 边界条件和气象是导致过早死亡偏差的主要来源 (99%和91%的改善).
- 仅使用观察或未经纠正的CTM数据引入了比平均风险更大的BD偏差.
结论:
- 不准确的输入 (仅仅是观察,未经校正的CTM,均的风险) 会导致显著的BD偏差.
- ML-MMF框架为改善CTM性能提供了定量参考.
- 优先考虑输入数据质量和CTM机制对于区域空气质量管理至关重要.
