在城市大气中使用PMF和LPO-XGBoost的PM₁₀颗粒的来源分配

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:

• 大气颗粒物 (PM) 对人类健康产生重大影响,需要准确的来源识别才能有效地管理空气质量.
• 传统的源分配方法,如正矩阵因子化 (PMF) 有局限性,特别是他们假设线性源贡献,这可能不反映现实世界的非线性.

研究的目的:

• 引入和评估一种基于肺性能优化的新型XGBoost (LPO-XGBoost) 模型,用于增强大气颗粒物来源的分配.
• 评估该模型在不同欧洲监测站点的性能及其识别各种污染源的能力.

主要方法:

• 开发LPO-XGBoost模型,将灵感来自肺功能的自适应优化原则集成到XGBoost框架中.
• 该模型的培训和验证使用来自6个欧洲国家21个监测站点的广泛环境数据集.
• 与其他机器学习模型进行比较分析,包括随机森林 (RF) 和支持矢量机 (SVM) 以及它们的LPO增强变体.

主要成果:

• LPO-XGBoost模型表现出卓越的性能,具有整体预测确定系数 (r2 = 0.88).
• 对于特定来源,如海盐 (r2 = 0.97) 和生物质燃烧 (r2 = 0.89) 等,获得了高精度.
• 该模型对富含硫酸盐的颗粒的准确性略低 (r2 = 0.75),但在预测源贡献方面表现优于其他模型.

结论:

• LPO-XGBoost模型为高时间分辨率颗粒物来源的分配提供了一个强大的,可扩展的解决方案.
• 它处理潜在非线性性的能力提供了更可靠的估计,支持有针对性的空气质量管理策略.
• 未来的工作应该集中在扩大物种测量和优化在城市环境中混合源预测模型.