.png){kind=icon}
返回
Determining Nonlinear and Interactive Processes Driving PM₁₀ Variability via Interpretable Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s40710-026-00813-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大气颗粒物（PM₁₀）在干旱地区带来严峻的环境与健康挑战，但其变异性因复杂的气候-陆地相互作用而难以理解。本研究旨在利用2000年至2023年的19个驱动因子，识别影响乌尔米亚湖盆地（LUB）PM₁₀变异性关键气候与环境过程。我们采用奇异谱分析（SSA）和曼-肯德尔检验（Mann-Kendall test）检测长期气候趋势，并使用斯皮尔曼相关分析（Spearman’s correlation）探索成对关联。为模拟非线性与交互效应，我们开发了广义加性模型（GAMs），并利用偏依赖图（PDPs）解释关系。结果显示，加剧的干旱性表现为气温与土壤温度上升、蒸发量增加、降水和土壤湿度减少，这些因素共同削弱了自然降尘机制并提升了PM₁₀水平。GAMs表现出高预测性能（R² = 0.88，RMSE = 3.31，MAE = 2.41 µg/m³），并突出了关键非线性与交互效应，包括PM₁₀对温度的单峰响应以及裸地与气溶胶光学厚度之间的协同放大作用。相反，水分相关变量通过湿沉降和土壤稳定化缓解了PM₁₀。这些发现表明干旱和土地退化对尘土形成的主导影响，同时强调了可解释机器学习在解析复杂环境过程、指导风沙多发区（如LUB）空气质量管理和气候适应策略中的价值。我们使用19个气候与环境驱动因子对乌尔米亚湖的PM₁₀进行建模。我们应用可解释的机器学习（ML）和PDPs揭示PM₁₀的非线性动态。我们识别了气候与环境驱动因子对PM₁₀的放大/缓解作用。
Keyword:
PM₁₀
Dust storms
Lake Urmia basin
Generalized additive models
Interpretable machine learning
Aerosol dynamics
期刊
E
IF:
5.1
论文数:
64
被引数:
0
机构
引用论文
The key role of water resources management in the Middle East dust events水资源管理在中东沙尘事件中的关键作用.png)
CATENA
CATENAIF5.7
PREAI
分享收藏
Assessing Chlorophyll-a Variations in Caspian Sea during the COVID-19 Pandemic评估里海叶绿素-a在COVID-19疫情期间的变化
PREAI
分享收藏Hourly Particulate Matter (PM10) Concentration Forecast in Germany Using Extreme Gradient Boosting德国小时PM10颗粒物浓度预测的极端梯度提升模型Atmosphere
AtmosphereIF0
PREAI
分享收藏Machine learning insights into PM2.5 changes during COVID-19 lockdown: LSTM and RF analysis in Mashhad机器学习对COVID-19封锁期间PM2.5变化的见解：马什哈德地区的LSTM和RF分析
PREAI
分享收藏
查看更多内容