使用可解释机器学习量化与环境超细粒子数量度的航空相关贡献
Sean C Mueller1, Prasad Patil2, Jonathan I Levy1
1Department of Environmental Health, Boston University School of Public Health, 715 Albany Street, Boston, Massachusetts 02118, United States.
Environmental science & technology
|September 11, 2025
概括
机器学习准确地确定了飞机是机场附近超细颗粒 (UFP) 的关键来源. 即使飞机没有飞过头部,也会对空气质量产生重大影响,尤其是横风.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 机器学习应用 机器学习应用
背景情况:
- 来自飞机的超细颗粒 (UFP) 是机场附近的重要空气质量问题.
- 由于交通和气象因素,对飞机UFP贡献的量化很困难.
- 传统的方法难以捕捉复杂的源互动.
研究的目的:
- 开发和验证一种机器学习模型,用于对粒子数度 (PNC) 的每小时来源归因.
- 用SHapley添加式解释 (SHAP) 来解释模型预测,以获得详细的源洞察.
- 评估飞机活动对机场附近空气质量的影响.
主要方法:
- 在波士顿洛根国际机场附近的多年PNC数据上应用了整体机器学习模型.
- 集成的气象数据,道路交通和跑道特定的飞机活动.
- 使用SHAP进行模型解释,识别特征贡献和相互作用.
主要成果:
- ML模型实现了强的性能 (R2 = 0.66),超过了典型的每小时PNC模型.
- SHAP分析显示,飞机在垂直跑道上的抵达对飞机的影响最大.
- 横风被证明会增加飞机在地面上的空气质量影响,因为飞机不会飞过头部.
- 中间行星边界层高度与飞机上升的PNC相关.
结论:
- ML-SHAP框架为UFP源归因提供了一种新且可转移的方法.
- 飞机的运行,包括那些不直接在头顶的飞机,在很大程度上影响了机场附近的空气质量.
- 这种方法提高了与航空相关的UFP暴露在社区的特征.
