EGUsphere: Переосмысление нормализации погоды с помощью машинного обучения: усовершенствованная стратегия краткосрочной политики по борьбе с загрязнением воздуха
Загрязнение воздуха ежегодно становится причиной миллионов преждевременных смертей, что приводит к широкому внедрению мер по обеспечению чистоты воздуха. Количественная оценка эффективности таких мер имеет решающее значение для управления качеством воздуха. Нормализация погоды на основе машинного обучения (Machine learning-based weather normalization, ML-WN) использовалась для изоляции метеорологических влияний от изменений, связанных с выбросами; однако она имеет свои ограничения, особенно когда происходят резкие сдвиги выбросов, например, после вмешательства. Авторы разработали логическую структуру оценки, основанную на парных наборах данных наблюдений и тесте «алгебры ML» (т.е. «коммутации» шага нормализации), чтобы показать, что ML-WN значительно недооценивает немедленные эффекты краткосрочных вмешательств на NOX, при этом расхождения достигают 42% для вмешательств продолжительностью в одну неделю. Это открытие ставит под сомнение предположения о надёжности ML-WN для оценки краткосрочных политик, таких как экстренное управление дорожным движением или эпизодические события загрязнения. Авторы предлагают усовершенствованный подход (MacLeWN), который явно учитывает время вмешательства, снижая ошибки недооценки >90% в идеализированных, но правдоподобных случаях. Они применили оба подхода для оценки воздействия изоляции COVID-19 на NOX, измеренного на Marylebone Road, Лондон. В течение одной недели после изоляции ML-WN оценивает примерно на 17% меньшее сокращение NOX по сравнению с MacLeWN, и такая недооценка уменьшается по мере увеличения продолжительности политики, снижаясь до ~10% в течение одного месяца и становясь незначительной через три месяца. Выводы авторов указывают на важность тщательного выбора методологий оценки для вмешательств в качество воздуха, предполагая, что ML-WN следует дополнять или корректировать при оценке краткосрочных политик. Повышение интерпретируемости модели также имеет решающее значение для получения заслуживающих доверия оценок и улучшения оценок политики.
Ссылка: https://egusphere.copernicus.org/preprints/2025/egusphere-2025-1376/