评估基于机器学习的PM_2.5估计,使用在一个城市工业化地区的NDVI级别的高分辨率集成数据集

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:

• 空气污染,特别是细颗粒物 (PM2.5),在全球快速城市化和工业化地区对公众健康构成重大威胁.
• 土耳其的马尔马拉地区以强烈的工业活动和人口密度为特征,面临复杂的空气质量挑战,需要精确的监测和管理.

研究的目的:

• 通过先进的机器学习开发和验证用于估计马尔马拉地区每日平均PM2.5度的创新框架.
• 评估四种机器学习模型 (随机森林,极端梯度增强,分类增强,LightGBM) 的性能,整合高分辨率数据集.

主要方法:

• 使用了高分辨率数据集,包括MAIAC气溶光学深度 (1公里),ERA5气象数据,EDGARv8.1排放清单,NDVI,科林土地覆盖和世界人口网格数据.
• 采用四个机器学习算法,专注于LightGBM,以建模和预测每日PM2.5度.
• 分析了不同土地覆盖类型 (NDVI) 和季节的模型性能,并确定了关键的预测特征.

主要成果:

• 轻GBM模型实现了最高的预测准确度 (R=0.88,RMSE=6.42 μg/m3),在不同季节和地点表现出强大的性能.
• 在植被较低的地区 (R=0.83),模型性能略弱,但在其他地区 (R≈0.88-0.89) 保持一致,随着NDVI的增加,RMSE有所改善.
• 关键预测因素包括边界层高度,太阳辐射和人口密度,突出了大气条件和人类活动对PM2.5水平的影响.

结论:

• 开发的机器学习框架有效地估计了复杂的城市环境中的PM2.5度,超过了之前的研究.
• 这些发现为空气质量建模提供了可扩展和高分辨率的方法,这对于为工业化地区的公共卫生政策和环境管理提供信息至关重要.
• 了解气象因素,土地利用和人类活动的相互作用对于准确的PM2.5预测和缓解策略至关重要.