预测空气污染的机器学习框架:评估土耳其伊斯坦布尔的季节性和气候影响
Nadia Al-Rousan1, Hazem Al-Najjar2, Ismail A Elhaty3
1School of Computing, Computer Engineering Department, German Jordanian University, Amman, Jordan.
PloS one
|October 13, 2025
概括
季节性变化对空气质量有很大影响. 这项研究使用NARX模型来预测SO2,PM10和O3等污染物,显示季节性因素可以提高预测准确度,以更好地管理城市污染.
科学领域:
- 环境科学 环境科学
- 计算机建模 计算建模
- 大气化学 大气化学
背景情况:
- 空气污染是一个重大的公共卫生和城市可持续性挑战.
- 现有的预测方法经常忽视季节性变化对污染物水平的重大影响.
研究的目的:
- 开发和评估用于预测关键空气污染物度 (SO2,PM10,NO,NOX,O3) 的计算框架.
- 在空气质量预测模型中识别和纳入具有影响力的季节性因素.
主要方法:
- 使用了非线性自回归网络与外源输入 (NARX) 模型.
- 采用系统的特征选择来确定每个污染物的最具影响力的季节变量.
- 应用框架来预测伊斯坦布尔Esenyurt的污染物水平.
主要成果:
- 该NARX模型实现了高预测准确度,确定系数高达R2 = 0.965的O3.3.
- 纳入季节变量显著提高了NO,NO2和PM10的预测准确度.
- 使用全面的季节性指标实现了最佳的SO2预测.
结论:
- 季节性动态是空气污染物行为的关键决定因素.
- 将季节性因素整合到预测模型中,可以提高预测准确度,从而实现有效的空气质量管理.
- 开发的框架为大都市地区的城市规划和公共卫生战略提供了一个可适应的工具.
