基于机器学习的每小时和局部优化土壤逃尘排放清单方法
Lilai Song1, Zhen Li1, Jinqiu Zhang1
1Key Laboratory of Urban Air Particulate Pollution Prevention and Control of Ministry of Ecology and Environment, College of Environmental Science and Engineering, Nankai University, Tianjin 300350, China; CMA-NKU Cooperative Laboratory for Atmospheric Environment-Health Research, Tianjin 300350, China.
Journal of environmental sciences (China)
|August 21, 2025
概括
在中国北部,土壤逃尘 (SFD) 受到面积和湿度等裸土因素的重大影响. 这项研究优化了SFD排放计算和控制策略的模型.
科学领域:
- 环境科学
- 大气化学
- 地质科学
背景情况:
- 土壤逃尘 (SFD) 对中国北部的城市空气质量和生态系统产生重大影响.
- SFD具有很高的空间时间变化和多样化的排放源.
- 目前对SFD的关键影响因素和定量方法的了解有限.
研究的目的:
- 通过可解释的机器学习来确定影响SFD排放的关键因素.
- 确定这些影响因素的相互作用和作用值.
- 提高SFD排放计算的量化方法.
主要方法:
- 使用可解释的机器学习技术来分析SFD数据.
- 确定主要影响因素及其相互作用.
- 使用局部参数优化风侵蚀方程模型.
主要成果:
- 确定了SFD影响因素的季节性变化.
- 发现包括面积和湿度在内的裸土源强度是一个重要的因素.
- 优化的风侵蚀方程模型显示每小时SFD排放的精度有所提高.
结论:
- 该研究提供了对SFD排放驱动因素的精细了解.
- 优化的参数化方案提高了SFD建模的准确性.
- 这些发现有助于制定有针对性的SFD预防和控制政策.
更多相关视频
09:44Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon
Published on: October 16, 2018
10.3K
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
1.7K
