在长期环境模式下基于机器学习的空气质量指数预测:与XGBoost,LightGBM和SVM进行比较的方法
1Department of Medical Services and Techniques, Environmental Health Program, Iğdır University, Iğdır, Türkiye.
PloS one
|October 8, 2025
概括
机器学习模型使用气象和污染物数据准确地预测每日空气质量指数 (AQI). 极端梯度提升 (XGBoost) 展示了卓越的性能,为空气污染管理和公共卫生保护提供了洞察力.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 空气污染对环境可持续性和公共健康构成重大全球威胁.
- 准确的空气质量监测和预测对于政策制定和公共安全措施至关重要.
研究的目的:
- 评估机器学习模型的长期每日空气质量指数 (AQI) 预测能力.
- 评估气象和空气污染物数据在预测土耳其东部AQI方面的有效性.
主要方法:
- 利用了2016-2024年的每日数据,包括PM10,SO2,NO2,O3,温度,降水量,湿度,风向和风速.
- 我们比较了三种机器学习模型:极端梯度提升 (XGBoost),光梯度提升机 (LightGBM) 和支持矢量机 (SVM).
- 使用R2,RMSE和MAE指标来评估性能.
主要成果:
- XGBoost实现了最高的预测准确性,其中R2 = 0.999,RMSE = 0.234,MAE = 0.158.
- 集成机器学习方法,特别是XGBoost,有效地基于环境因素建模了AQI变化.
- 该研究强调了机器学习在可靠空气质量预测方面的潜力.
结论:
- 机器学习模型,特别是XGBoost,为日常AQI预测提供了非常准确的方法.
- 这些发现支持开发先进的空气质量预测系统和区域污染管理战略.
- 该研究提供了通过早期预警系统和环境政策加强公共卫生保护的实用见解.
