Zur Unterstützung eines koordinierten Managements der Luftqualität entwickelte diese Studie einen baumbasierten Machine-Learning-Rahmen für die Mehrfachschadstoff-Vorhersage. Systematisch wurde die prognostische Leistung von Random Forest (RF), Gradient Boosting Decision Tree (GBDT) und Decision Tree (DT) Modellen für sechs wichtige Schadstoffe bewertet: PM2.5, PM10, NO2, SO2, CO und O3, unter Verwendung hochauflösender Umweltdaten (10 km Auflösung) aus vier großen chinesischen Städten (2021–2024). Ein umfassendes Merkmalsystem wurde aufgebaut, das Wechselwirkungen zwischen Meteorologie und Emissionen einbezog. SHapley Additive exPlanations (SHAP) Werte wurden genutzt, um den Beitrag der Merkmale zu quantifizieren. Wesentliche Ergebnisse zeigen: (1) RF erzielte optimale Leistung bei der Vorhersage von Feinstaub (PM2.5: R2 = 0,99, RMSE = 0,11 µg/m3; PM10: R2 = 0,98); (2) GBDT zeigte vergleichbare Genauigkeit zu RF bei NO2 (R2 = 0,85) und CO (R2 = 0,98) mit minimalen Unterschieden (ΔR2 ≤ 0,03); (3) DT zeigte konkurrenzfähige O3-Vorhersagefähigkeit (R2 = 0,88). Die SHAP-Analyse enthüllte kritische Mechanismen, wie den positiven synergistischen Effekt von CO (SHAP = 0,136) bei der PM2.5-Vorhersage und die temperaturabhängige Sensitivität der O3-Entstehung (SHAP = 0,076). Diese Forschung bietet einen interpretierbaren Mehrfachschadstoff-Vorhersagerahmen, der auf städtische Luftqualitätswarnsysteme anwendbar ist und Leitlinien zur Modellauswahl für Umweltregulierungsstrategien bietet.
Zhu et al. (Wed,) untersuchten diese Fragestellung.