Ein neues gestapeltes Ensemble-Lernverfahren zur Vorhersage von PM2.5-Werten in dicht besiedelten städtischen Umgebungen unter Verwendung meteorologischer Variablen: Eine Fallstudie in Macau

Luftverschmutzung, insbesondere Feinstaub wie PM2.5 und PM10, ist aufgrund ihrer erheblichen Auswirkungen auf die Luftqualität und die menschliche Gesundheit zu einem zentralen globalen Anliegen geworden. Macau, als eine der am dichtesten besiedelten Städte der Welt, sieht sich erheblichen Herausforderungen in Bezug auf die Luftqualität gegenüber. Wir haben tägliche Verschmutzungsdaten von 2015 bis 2023 und stündliche meteorologische Überwachungsdaten zur Luftverschmutzung von 2020 bis 2022 in Macau genutzt, um eine eingehende Analyse der zeitlichen Trends und saisonalen Variationen von PM2.5 und PM10 sowie ihrer Zusammenhänge mit meteorologischen Faktoren durchzuführen. Die Ergebnisse zeigen, dass die PM10-Konzentrationen während der Dämmerung und am frühen Morgen ihren Höhepunkt erreichen, während die Verteilung von PM2.5 vergleichsweise einheitlich ist. Die PM-Konzentrationen steigen im Winter signifikant an und nehmen im Sommer ab, wobei relative Luftfeuchtigkeit, Temperatur und Luftdruck auf Meereshöhe als wichtige meteorologische Faktoren identifiziert wurden. Um die Vorhersagegenauigkeit zu verbessern, wurde ein gestapeltes Ensemble-Lernmodell entwickelt, das LSTM und XGBoost als Basislernende sowie LightGBM als Meta-Lernenden zur Vorhersage von PM2.5-Konzentrationen einsetzt. Dieses Modell übertrifft traditionelle Methoden wie LSTM, CNN, RF und XGB über mehrere Leistungsmetriken hinweg.