一个强大的黑碳预测模型,来源于长江三角洲地区的观测数据集,中国
Lian Duan1, Pak Lun Fung2, Qingyan Fu3
1Shanghai Key Laboratory of Atmospheric Particle Pollution and Prevention, Department of Environmental Science & Engineering, Fudan University, Shanghai, 200438, China; Institute of Eco-Chongming (IEC), Shanghai, 200062, China.
机器学习模型准确预测长江三角洲的黑碳 (BC) 度,这对于环境和健康监测至关重要. 该研究强调了交通作为一个重要的BC来源.
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:
- 黑碳 (BC) 是一种强大的空气污染物,影响环境和健康.
- 局限的空间监测需要准确的BC度预测,特别是在长江三角洲 (YRD) 等人口密地区.
研究的目的:
- 开发和验证可靠的机器学习 (ML) 模型,用于预测整个YRD的BC度.
- 评估不同ML模型 (IAP,LASSO,RF,SNN) 的性能,使用来自山湖 (DSL) 站点的数据.
主要方法:
- 使用DSL的BC数据 (2021年6月至2022年6月) 训练ML模型.
- 在不同的空气质量轨迹场景下,应用于各种YRD站点的训练模型.
- 使用R平方值评估模型性能.
主要成果:
- 在DSL站点上,SNN模型实现了超过0.80的R平方值.
- 模型性能在高峰交通时段得到改善,这表明交通对BC水平的影响.
- 应用于YRD站点的模型产生了从0.45到0.84的R平方值,在杭州,南京和浦东的高精度.
结论:
- 机器学习模型,特别是SNN,可以有效地预测YRD中的BC度.
- 这些模型证明了从具有类似排放概况和气象条件的来源捕获BC的能力.
- 准确的BC预测支持该地区的有针对性的环境管理和公共卫生战略.
更多相关视频
08:12Characterization, Quantification and Compound-specific Isotopic Analysis of Pyrogenic Carbon Using Benzene Polycarboxylic Acids (BPCA)
Published on: May 16, 2016
10:22Split Point Analysis and Uncertainty Quantification of Thermal-Optical Organic/Elemental Carbon Measurements
Published on: September 7, 2019
相关概念视频
The Carbon Cycle
Global Climate Change
Precipitation Gravimetry
In determining nickel by gravimetric analysis, a precipitant of ethanolic dimethylglyoxime is added to a hot nickel salt solution. This is quickly followed by the dropwise addition of dilute ammonia solution until precipitation occurs. A...
Precipitation Processes
Precipitation and Co-precipitation
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
