전 세계의 10명 중 9명이 WHO의 권장 공기 질 기준을 충족하지 않는 공기를 마시고 있습니다. 본 연구의 목적은 위성에서 유래한 에어로졸 광학 깊이 (AOD) 데이터, 시간적 및 계절적으로 유도된 특성을 사용하여 미세먼지 (PM2.5) 수준을 추정하고 공기 질 모니터링을 향상시키며 공공 건강과 환경 지속 가능성을 위한 개입 정보를 제공하는 정확하고 확장 가능한 기계 학습 모델을 만드는 것입니다. 본 연구에서 고려된 지리적 위치는 라고스 (나이지리아), 부줌부라 (부룬디), 나이로비 (케냐) 및 캄팔라 (우간다)입니다. 본 연구에 사용된 예측 회귀 모델은 XGBoost, LightGBM, Ridge, 다항식 및 피드포워드 신경망 (FNN)입니다. XGBoost는 RMSE 12.01 µg/m³ 및 R² 0.76을 달성하여 최고의 성능을 발휘한 모델로 나타났습니다. 공간 연관성의 지역 지표 (LISA) 및 글로벌 모란의 I 통계를 사용한 공간 분석은 도시 간 PM2.5 농도의 다양한 공간 군집화를 드러냈습니다. 라고스는 모란의 I 통계가 0.686으로 가장 강한 양의 공간 자기 상관관계를 보였고, 나이로비는 0.046로 가장 약한 값을 보였습니다. 본 연구는 위성 AOD 데이터와 시간적 및 계절적 변수를 결합하는 것이 PM2.5 추정 모델의 예측 정확성을 향상시키는 데 효과적임을 보여줍니다. 이는 공기 질 관리에 중요한 통찰을 제공하고 공간적으로 정보가 제공된 모델의 중요성을 강조합니다. 이는 보다 효과적인 환경 건강 개입을 위해 국소적으로 오염 핫스팟을 식별하는 데 중요합니다.
ABUDULAWAL 외 (Sat,) 이 질문을 연구했습니다.