Primerjalna študija konvencionalnih funkcij in funkcij globokega učenja za popravke meritev nizkocenovnih senzorjev trdnih delcev

Povzetek

Drobni delci, manjši od 2,5 mikrometra, pomembno vplivajo na zdravje ljudi, vendar so njihove koncentracije odvisne od kompleksnih interakcij med emisijami in meteorološkimi razmerami. Ta študija raziskuje sezonske dejavnike PM2,5 v Šlezijskem vojvodstvu in ocenjuje napovedno učinkovitost modelov strojnega učenja, vključno z modelom Light Gradient Boosting Machine, modelom Random Forest in modelom Support Vector Regression. Analizirani so bili meteorološki spremenljivki, časovni dejavniki in plinasta onesnaževala, da bi ugotovili ključne dejavnike epizod onesnaženja. Med kurilno sezono so povečane emisije ogrevanja stanovanj v kombinaciji s stagnirajočimi atmosferskimi razmerami prevladovale nad spremenljivostjo PM2,5, medtem ko v sezoni brez ogrevanja igrata močnejšo vlogo atmosferska dinamika in sezonski čas. Light Gradient Boosting Machine je dosledno dosegal najvišjo napovedno natančnost, zajemal nelinearne interakcije in zagotavljal interpretabilne vpoglede v pomen značilnosti. Ti rezultati poudarjajo potencial pristopov strojnega učenja za natančno modeliranje kakovosti zraka in obveščajo o strategijah za zmanjšanje onesnaževanja in varovanje javnega zdravja.