.png){kind=icon}
返回
Developing a Machine Learning Approach for Estimating Urban NO2 Concentrations Using Multi-Source Remote Sensing Data
.png){kind=icon}
OA
AI
DOI：10.3390/smartcities9100166.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确估算空气污染物，尤其是二氧化氮（NO2），对于评估空气质量和支持明智的政策决策至关重要。本研究探讨了机器学习技术在估算扎格拉布市地面NO2浓度中的应用，采用了两种集成机器学习方法：随机森林（RF）和极端梯度提升（XGB）。所建立的模型采用多变量建模方法，整合了多种数据来源，包括国家空气质量监测站点的地面测量数据、通过遥感获取的公开卫星数据（即哨兵-5P上的TROPOMI和哨兵-2上的MSI），以及来自ERA5再分析数据集和哥白尼气候变化服务（C3S）的气象和气候变量。这些变量捕捉了与城市区域NO2分布相关的空间、时间和大气动态。性能指标表明模型具有强大的预测能力，RF模型达到R2 = 0.74，RMSE = 9.86 µg/m3，MAE = 6.89 µg/m3，而XGB模型结果略优（R2 = 0.78；RMSE = 8.76 µg/m3；MAE = 6.09 µg/m3）。SHAP值分析显示，NO2的平流层垂直柱、海拔和边界层高度是在两个模型中最重要的变量。为研究区域生成了高分辨率地面NO2浓度估计图，以深入了解城市内污染物分布的空间可视化。此外，进行了详细的季节性分析，表明秋季和冬季NO2水平较高，春季和夏季浓度较低。这些季节性变化可能由气象条件、排放源和大气扩散特征的变化驱动。本研究表明，可以利用空气质量监测站数据和哥白尼计划公开数据开发用于局部污染物NO2制图的高质量模型。
Keyword:
air pollution
ground-level NO<sub>2</sub>
machine learning
SHAP analysis
TROPOMI
期刊
IF:
5.5
论文数:
954
被引数:
3.0K
机构
引用论文
.png){kind=icon}
分享收藏Deep Learning Estimation of Daily Ground-Level NO2 Concentrations From Remote Sensing Data从遥感数据中深度学习估算每日地面NO2浓度
OAAI
OAAI分享收藏Estimating surface NO2 concentrations over Europe using Sentinel-5P TROPOMI observations and Machine Learning使用Sentinel-5P的TROPOMI观测和机器学习估算欧洲的地表NO2浓度OAAI
OAAI分享收藏
查看更多内容