Dự báo ô nhiễm không khí: Ứng dụng các mô hình học máy để ước lượng chỉ số PM2.5
7 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.FEE.2024.286-294Từ khóa:
Dự báo mức độ không khí; Học máy; Dừng ngẫu nhiên (RF); SVR; XGBoost; PM2.5.Tóm tắt
Trong bối cảnh công nghiệp hóa hiện nay, ô nhiễm không khí đã trở thành một vấn đề toàn cầu cấp bách, đặc biệt nghiêm trọng tại các đô thị lớn như Hà Nội - Việt Nam, Bắc Kinh - Trung Quốc,... Ô nhiễm không khí, đặc biệt là mật độ hạt bụi mịn PM2.5 (gọi tắt là PM2.5) không chỉ gây hại cho sức khỏe con người mà còn tác động tiêu cực đến môi trường, kinh tế và chất lượng cuộc sống. Do đó, việc sử dụng mô hình học máy để đánh giá mức độ ô nhiễm PM2.5 tại mỗi thành phố nói riêng và trên toàn cầu nói chung là cấp thiết. Điều này giúp các nhà khí tượng học có thêm công cụ để dự đoán chính xác hơn mức độ ô nhiễm không khí và đưa ra các giải pháp giảm thiểu hiệu quả. Bài báo này sử dụng bộ dữ liệu chuỗi thời gian đa biến, bao gồm các chỉ số khí tượng và chỉ số ô nhiễm không khí tại Bắc Kinh, Trung Quốc trong giai đoạn từ năm 2010 đến 2014, để đánh giá dựa trên các mô hình học máy như: Lasso Regression (LR), Support Vector Regression (SVR), Random Forest (RF), XGBoost (XGB), và đặc biệt là mô hình Stack Model kết hợp từ bốn mô hình trên. Hiệu suất của các mô hình này được đo lường bằng các chỉ số thống kê như: Sai số bình phương trung bình (RMSE), sai số tuyệt đối trung bình (MAE) và hệ số xác định ( ). Trong các mô hình trên, Stack model đưa ra kết quả dự báo chỉ số PM 2.5 tốt nhất.
Tài liệu tham khảo
[1]. WHO, "Air pollution," (2018). [Online]. Available: https://www.who.int/en/news-room/fact- sheets/detail/ambient-(outdoor)-air-quality-and-health.
[2]. Wei, J., Huang, W., Li, Z., Xue, W., Peng, Y., Sun, L., & Gribb, M. "Estimating 1-km-resolution PM2.5 concentrations across China using the spacetime random forest approach". Remote Sensing of Environment, 231, 111221, (2019). https://doi.org/10.1016/j.rse.2019.111221 DOI: https://doi.org/10.1016/j.rse.2019.111221
[3]. Viana, M., Rivas, I., Reche, C., Fonseca, A., Pérez, N., Querol, X. "Field comparison of portable and stationary instruments foroutdoor urban air exposure assessments". Atmospheric Environment, 123, 220–228, (2015). https://doi.org/10.1016/j.atmosenv.2015.10.076 DOI: https://doi.org/10.1016/j.atmosenv.2015.10.076
[4]. Motlagh, N. H., Lagerspetz, E., Nurmi, P., Li, X., Varjonen, S., Mineraud, J. "Toward massive scale air quality monitoring". IEEECommunications Magazine, 58(2), 54–59, (2020). https://doi.org/10.1109/MCOM.001.1900515 DOI: https://doi.org/10.1109/MCOM.001.1900515
[5]. He, X. N., Chen, P., Zhang, C., & Chen, J. Y. "Study on the correlation between PM 2.5 and onset of acute myocardial infarction amongfemale patients". Child Care China, 31(22), 4626–4629, (2016).
[6]. Ong, B. T., Sugiura, K., & Zettsu, K. "Dynamically pre-trained deep recurrent neural networks using environmental monitoring data forpredicting PM2.5". Neural Computing and Applications, 27(6), 1553–1566, (2016). https://doi.org/10.1007/s00521-015-1955-3 DOI: https://doi.org/10.1007/s00521-015-1955-3
[7]. Fang, X., Zou, B., Liu, X., Sternberg, T., & Zhai, I. "Satellite-based ground PM 2.5 estimation using timely structure adaptive modeling". Remote Sensing of Environment, 186, 152–163, (2016). https://doi.org/10.1016/j.rse.2016.08.027 DOI: https://doi.org/10.1016/j.rse.2016.08.027
[8]. Bzdok, D., Altman, N., & Krzywinski, M. "Statistics versus machine learning". Nature Methods, 15(4), 233–234, (2018). https://doi.org/10.1038/nmeth.4642 DOI: https://doi.org/10.1038/nmeth.4642
[9]. Bazoukis, G., Stavrakis, S., Zhou, J., Bollepalli, S. C., Tse, G., Zhang, Q. "Machine learning versus conventional clinical methods in guiding management of heart failure patients - A systematic review". Heart Failure Reviews, 26(1), 23–34, (2021). https://doi.org/10.1007/s10741-020-10007-3 DOI: https://doi.org/10.1007/s10741-020-10007-3
[10]. Makridakis, S., Spilliotis, E., & Assimakopoulos, V. "Statistical and machine learning forecasting methods: Concerns and ways forward". PLoS One, 13(3), e0194889, (2018). https://doi.org/10.1371/journal.pone.0194889 DOI: https://doi.org/10.1371/journal.pone.0194889
[11]. Ranstam, J. and J.A.J.J.o.B.S. Cook, "LASSO regression". 105(10): p. 1348-1348, (2018). DOI: https://doi.org/10.1002/bjs.10895
[12]. Awad, M., et al., "Support vector regression". p. 67-80, (2015). DOI: https://doi.org/10.1007/978-1-4302-5990-9_4
[13]. Hastie, T. J., Tibshirani, R. J., & Friedman, J. H. "The elements of statistical learning: Data mining inference and prediction (2nd ed.)". Springer, (2009).
[14]. Bao, Y., Hayashida, M., & Akutsu, T. "LBSizeClev: Improved support vector machines (SVM)-based predictions of Dicer cleavage sitesusing loop/bulge length". BMC Bioinformatics, 17(1), 487, (2016). https://doi.org/10.1186/s12859-016-1353-6 DOI: https://doi.org/10.1186/s12859-016-1353-6
[15]. Segal, M.R., "Machine learning benchmarks and random forest regression". (2004).
[16]. Chen, T. and C. Guestrin. "Xgboost: A scalable tree boosting system". Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. (2016).
[17]. Chen, T., & Guestrin, C. "XGBoost: A scalable tree boosting system". In Proceedings of the ACM SIGKDD International Conference onKnowledge Discovery and Data Mining (pp. 785–794), (2016). https://doi.org/10.1145/2939672.2939785 DOI: https://doi.org/10.1145/2939672.2939785
[18]. Wolpert, D.H., "Stacked generalization". Neural Networks. 5(2): p. 241-259, (1992). DOI: https://doi.org/10.1016/S0893-6080(05)80023-1
[19]. X. Liang et al., “Assessing Beijing’s PM 2.5 pollution: severity, weather impact, APEC and winter heating”. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Science, vol. 471, no. 2182, p. 20150257, (2015). DOI: https://doi.org/10.1098/rspa.2015.0257
[20]. J. Brownlee, “How to Convert a Time Series to a Supervised Learning Problem in Python,” (2017). https://machinelearningmastery.com/convert-time-series-supervised-learning-problem-python/.
