使用机器学习方法,揭示空间和时间分辨率在城市空气污染建模中的重要性

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 大气化学 大气化学

背景情况:

• 城市空气污染是一个重要的全球健康和环境问题.
• 准确的建模对于有效的空气质量管理至关重要.
• 以前的研究往往忽略了时间和空间分辨率对模型性能的影响.

研究的目的:

• 开发和评估基于机器学习 (ML) 的城市空气污染建模框架.
• 调查时间和空间分辨率选择对PM和NOx模型准确性的影响.
• 确定不同污染物的最佳解决策略.

主要方法:

• 使用的机器学习模型:多层感知器 (MLP) 和随机森林 (RF).
• 时间阶段:纳入自回归 (AR) 建模来导出时间滞后特征,分析它们对污染物自相关性的影响.
• 空间阶段:在500米,750米和1000米分辨率的聚合排放清单数据,以评估空间对PM和NOx预测的影响.

主要成果:

• 包括时间滞后特征在内,显著改善了PM预测 (PM10 RMSE减少了25.9%,PM2.5减少了38.9%).
• 时间滞后特征增加了NOx RMSE53.2%,突出了污染物特定的时间动态.
• 对于空间分辨率,1000米对PM是最佳的 (RMSE=13.51公斤/年),而500米对NOx更好 (RMSE=307.50公斤/年).
• 在所有场景中,MLP在预测准确性方面始终超过RF.

结论:

• 时间和空间分辨率的选择极大地影响了城市空气污染模型的准确性.
• 污染物特定的解决策略是有效建模所必需的.
• 拟议的ML框架提供了一种灵活,解决意识的方法,以加强城市空气质量管理政策.