使用基于树的机器学习来空间时间预测飞花粉度
Hyemin Hwang1, Martina S Ragettli2, Marloes Eeftens2
1Department of Environmental Engineering, Ajou University, 206, World cup-ro, Yeongtong-gu, Suwon-si, Gyeonggi-do, 16499, Republic of Korea.
Environmental research
|December 31, 2025
概括
机器学习模型准确地预测了韩国的每日花粉计数,特定地点的模型显示出卓越的性能. 温度和太阳辐射等气候因素是花粉动态的关键驱动因素.
科学领域:
- 环境科学环境科学
- 航空生物学 航空生物学
- 计算生物学是一种计算生物学.
背景情况:
- 花粉是影响公众健康的重要空气过敏原.
- 花粉度受到气候,空气污染和植被的影响.
- 预计气候变化将加剧花粉季节的变化.
研究的目的:
- 开发和比较用于预测每日花粉度的机器学习模型.
- 评估时空与特定地点时间模型的性能.
- 确定韩国花粉动态的关键环境驱动因素.
主要方法:
- 使用了四种基于树的集合算法:随机森林,XGBoost,LightGBM和CatBoost.
- 训练模型使用气象数据,空气污染指标和落后的花粉度 (2014-2023).
- 采用了夏普利添加式解释 (SHAP) 来解释特征的重要性.
主要成果:
- 特定地点的时间模型在预测花粉度方面表现优于时空模型.
- 落后的花粉度,累积温度和太阳辐射是最有影响力的预测因素.
- 空气污染指标对花粉预测的贡献有限且特定于类别.
结论:
- 当地气候和污染因素显著影响花粉动态.
- 特定地点的模型可以用于特定区域的花粉预测和预警系统.
- 这些发现支持基于数据的公共卫生准备,以应对气候变化中与花粉相关的过敏.


