.png){kind=icon}
返回
Predicting sulfur dioxide deposition in microclimates using machine learning and reanalysis data
.png){kind=icon}
PRE
AI
DOI：10.1007/s40808-025-02327-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
二氧化硫（SO2）是一种主要通过化石燃料燃烧和工业活动排放的污染物，对环境退化构成显著贡献，并带来公共健康风险。监测SO2沉降面临挑战，原因在于空间变异性、技术复杂性和经济限制。本研究开发了一种机器学习模型，利用再分析数据集和土地覆盖数据来预测微气候中的SO2沉降。该模型利用MERRA-2再分析数据集中的SO2数据和来自Copernicus土地覆盖数据集的城市化信息来考虑局部变化。评估了多种机器学习算法，包括随机森林（Random Forest）、极端树（ExtraTrees）、支持向量回归（Support Vector Regression）和普通最小二乘法（Ordinary Least Squares），其中随机森林表现最佳。RF模型获得了R-2得分为0.81±0.09和均方根误差（RMSE）为9.39±3.38，表明其能够解释数据中大部分的方差，同时保持较低的预测误差。该项目通过开发一种适用于监测基础设施有限区域的SO2水平预测方法，为该领域做出了贡献，提供了一种适用于各类城市和工业区域的灵活模型。此外，由该模型生成的SO2沉降地图为环境机构提供了宝贵见解，有助于制定更有效的污染控制策略和缓解措施。
Keyword:
Sulfur dioxide (SO2
Machine learning
Land cover
Reanalysis data
Pollution
期刊
E
IF:
4.7
论文数:
1.3K
被引数:
2.1K
机构
引用论文
Urbanization, industrialization and SO2 emissions in China: does the innovation ability of cities matter for air quality?城市化、工业化与中国SO2排放：城市创新能力是否影响空气质量？
PREAI
分享收藏NeSNet: A Deep Network for Estimating Near-Surface Pollutant ConcentrationsNeSNet：一种用于估计近地表污染物浓度的深度网络
OAAI
OAAI分享收藏Using land-use machine learning models to estimate daily NO2 concentration variations in Taiwan使用土地利用机器学习模型估算台湾的每日NO2浓度变化
OAAI
OAAI分享收藏The Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2)现代研究和应用回顾分析，第2版 (MERRA-2)OAAI
OAAI分享收藏PREDICTION OF POLLUTANT CONCENTRATIONS BY METEOROLOGICAL DATA USING MACHINE LEARNING ALGORITHMS利用机器学习算法通过气象数据预测污染物浓度.png)
The International Archives of the Photogrammetry, Remote Sensing and Spatial Information SciencesOAAI
The International Archives of the Photogrammetry, Remote Sensing and Spatial Information SciencesIF0
OAAI分享收藏分享收藏
查看更多内容