基于机器学习的量化和分离大曼谷PM2.5的排放和气象影响
Nishit Aman1, Sirima Panyametheekul2,3, Ittipol Pawarmart4
1Department of Environmental and Sustainable Engineering, Faculty of Engineering, Chulalongkorn University, Bangkok, Thailand.
Scientific reports
|April 28, 2025
概括
机器学习模型成功地将PM2.5污染分为大曼谷的排放和气象效应. 冬季条件和湿度显著影响空气质量,揭示了当前缓解策略的局限性.
科学领域:
- 环境科学 环境科学
- 大气科学 大气科学
- 数据科学数据科学数据科学
背景情况:
- 颗粒物 (PM2.5) 污染对健康构成重大风险.
- 了解PM2.5的驱动因素对于有效的空气质量管理至关重要.
- 以前的研究往往难以将气象影响与排放源分开.
研究的目的:
- 应用机器学习来实现PM2.5数据的气象规范化.
- 量化和分离排放和气象对PM2.5水平的贡献.
- 用SHAP分析确定影响大曼谷地区PM2.5的关键气象因素.
主要方法:
- 采用了六种机器学习模型 (RF,ADB,GB,XGB,LGBM,CB) 来进行PM2.5预测.
- 利用气象因素,火灾活动,土地使用和社会经济数据作为预测因素.
- 应用气象规范化和SHAP分析,将PM2.5归因于排放和天气.
主要成果:
- 光梯度增强机 (LGBM) 实现了PM2.5.5的最高预测精度.
- 气象学显著影响PM2.5的变化,特别是在冬季.
- 相对湿度,边界层高度和风速被确定为主要的气象驱动因素.
- 分析显示,当前减缓措施在某些季节的有效性存在局限性.
结论:
- 机器学习为理解复杂的空气污染动态提供了一个强大的框架.
- 气象条件,特别是冬季的停滞天气和高湿度,加剧了PM2.5污染.
- 政策建议是基于排放和气象学量化影响提出的.


