Analiza vpliva vremena na variabilnost PM₂.₅ z uporabo napovedne metode, ki temelji na strojnem učenju

Povzetek

Drobni delci s premerom, manjšim od 2,5 mikrometra, pomembno vplivajo na zdravje ljudi, vendar njihove koncentracije določajo kompleksne interakcije med emisijami in meteorološkimi razmerami. Ta študija preučuje sezonske dejavnike, ki vplivajo na koncentracije PM₂.₅ v Šlezijskem vojvodstvu, ter ocenjuje napovedno uspešnost modelov strojnega učenja, vključno z algoritmi Light Gradient Boosting Machine, Random Forest in Support Vector Regression. Za opredelitev ključnih dejavnikov epizod onesnaženja so bile analizirane meteorološke spremenljivke, časovni dejavniki in plinasta onesnaževala. V kurilni sezoni na spremenljivost PM₂.₅ pretežno vplivajo povečane emisije iz ogrevanja gospodinjstev v kombinaciji s stagnirajočimi atmosferskimi razmerami, medtem ko imajo zunaj kurilne sezone večjo vlogo atmosferska dinamika in sezonski časovni dejavniki. Model Light Gradient Boosting Machine je dosledno dosegal največjo napovedno natančnost, saj je učinkovito zajemal nelinearne interakcije ter omogočal razložljiv vpogled v pomembnost posameznih značilk. Ti rezultati poudarjajo potencial pristopov strojnega učenja za natančno modeliranje kakovosti zraka ter prispevajo k oblikovanju strategij za zmanjševanje onesnaženosti zraka in varovanje javnega zdravja.