Nature Scientific Reports: Использование алгоритмов машинного обучения для изучения взаимосвязи между метеорологическими условиями и параметрами качества воздуха
Ухудшение качества воздуха представляет значительные риски для здоровья человека и экосистем, особенно в быстро урбанизирующихся и индустриализированных засушливых регионах. Метеорологические условия сильно влияют на образование, перенос и рассеивание загрязняющих веществ в воздухе, однако их взаимосвязи носят сильно нелинейный характер и трудно поддаются количественной оценке с использованием традиционных статистических подходов. В данном исследовании изучается влияние метеорологических параметров на ключевые загрязняющие вещества в воздухе в Восточном регионе Саудовской Аравии с использованием методов машинного обучения. Были проанализированы данные наблюдений за пять лет (2017–2021 гг.), включая температуру, влажность, скорость и направление ветра, точку росы и атмосферное давление, а также концентрации диоксида азота (NO2), монооксида углерода (CO) и твёрдых частиц (PM10). Четыре алгоритма машинного обучения, включая нейронные сети (Neural Networks, NN), деревья решений (Decision Trees, DT), случайные леса (Random Forests, RF) и градиентный бустинг (Gradient Boosting, GB), были оценены с использованием стандартных показателей эффективности. Были проанализированы среднеквадратичные ошибки MSE и RMSE, средняя абсолютная ошибка MAE и коэффициент детерминации R2. Результаты показывают, что метеорологические параметры оказывают специфическое влияние на загрязняющие вещества. Модель GB достигла наивысшей точности прогнозирования для NO2 (R2 ≈ 0,83), что подчёркивает доминирующую роль влажности, точки росы и сезонных колебаний. Умеренная точность прогнозирования наблюдалась для CO (R2 ≈ 0,46), что указывает на комбинированное влияние метеорологических факторов и процессов, обусловленных выбросами. В отличие от этого, PM10 показала слабую корреляцию с метеорологическими переменными, отражающую доминирование эпизодических пылевых явлений и неметеорологических факторов в засушливых регионах. Эти результаты демонстрируют эффективность ансамблевых моделей машинного обучения в выявлении нелинейных взаимосвязей между метеорологическими характеристиками и загрязняющими веществами. Исследование предоставляет ценные данные для прогнозирования качества воздуха и поддерживает основанное на данных управление окружающей средой в засушливых и полузасушливых регионах.