Интерпретируемый прогноз загрязнения атмосферного воздуха мелкодисперсными частицами на основе данных мониторинга и методов машинного обучения

Загрязнение атмосферного воздуха мелкодисперсными частицами с аэродинамическим диаметром менее 2,5 микрометра представляет серьезную экологическую и социальную проблему в условиях урбанизированных территорий. В связи с этим актуальной является задача краткосрочного прогноза концентрации данных частиц на основе данных мониторинга качества воздуха. В работе рассматривается применение интерпретируемых методов машинного обучения для прогнозирования концентрации мелкодисперсных частиц на часовом горизонте. В качестве исходных данных использован открытый набор Beijing PM2.5 Data Set, содержащий почасовые измерения концентрации загрязняющих веществ и метеорологических параметров за период с 2010 по 2014 годы. В ходе исследования выполнена предварительная обработка данных, сформировано признаковое пространство с учетом временной структуры и автокорреляционных свойств временных рядов, а также построены модели линейной регрессии, случайного леса и градиентного бустинга. Качество прогнозирования оценивалось с использованием средней абсолютной ошибки, среднеквадратичной ошибки и коэффициента детерминации. Результаты показали, что все рассмотренные модели обеспечивают высокую точность краткосрочного прогноза, при этом различия между моделями различной сложности оказываются незначительными. Установлено, что доминирующий вклад в формирование прогноза вносит автокорреляция временного ряда концентрации загрязняющих частиц, тогда как метеорологические параметры выполняют корректирующую функцию. Полученные результаты подтверждают целесообразность использования интерпретируемых моделей машинного обучения в системах мониторинга и прогнозирования качества атмосферного воздуха.

1. Cohen A.J., Brauer M., Burnett R., et al. Estimates and 25-year trends of the global burden of disease attributable to ambient air pollution: an analysis of data from the Global Burden of Diseases Study 2015. The Lancet. 2017;389(10082):1907–1918. https://doi.org/10.1016/S0140-6736(17)30505-6

2. Deters J.K., Zalakeviciute R., González M., Rybarczyk Y. Modeling PM2.5 Urban Pollution Using Machine Learning and Selected Meteorological Parameters. Journal of Electrical and Computer Engineering. 2017;2017. https://doi.org/10.1155/2017/5106045

3. Fang Z., Yang H., Li C., Cheng L., Zhao M., Xie C. Prediction of PM2.5 hourly concentrations in Beijing based on machine learning algorithm and ground-based LiDAR. Archives of Environmental Protection. 2021;47(3):98–107. https://doi.org/10.24425/aep.2021.138468

4. Ma J., Yu Zh., Qu Y., Xu J., Cao Y. Application of the XGBoost Machine Learning Method in PM2.5 Prediction: A Case Study of Shanghai. Aerosol and Air Quality Research. 2020;20(1):128–138. https://doi.org/10.4209/aaqr.2019.08.0408

5. Ejohwomu O.A., Oshodi O.Sh., Oladokun M., et al. Modelling and Forecasting Temporal PM2.5 Concentration Using Ensemble Machine Learning Methods. Buildings. 2022;12(1). https://doi.org/10.3390/buildings12010046

6. Zhang Y., Sun Q., Liu J., Petrosian O. Long-Term Forecasting of Air Pollution Particulate Matter (PM2.5) and Analysis of Influencing Factors. Sustainability. 2024;16(1). https://doi.org/10.3390/su16010019

7. Antamoshkin O., Kukarcev V., Pupkov A., Tsarev R. Intellectual Support System of Administrative Decisions in the Big Distributed Geoinformation Systems. In: 14th International Multidisciplinary Scientific GeoConference SGEM 2014, 17–26 June 2014, Albena, Bulgaria. Sofia: STEF92 Technology Ltd; 2014. P. 227–232.

8. Yin P.-Y., Chang R.-I., Day R.-F., Lin Y.-Ch., Hu Ch.-Y. Improving PM2.5 Concentration Forecast with the Identification of Temperature Inversion. Applied Sciences. 2022;12(1). https://doi.org/10.3390/app12010071

9. Xiao Q., Zheng Y., Geng G., et al. Separating emission and meteorological contributions to long-term PM2.5 trends over eastern China during 2000–2018. Atmospheric Chemistry and Physics. 2021;21(12):9475–9496. https://doi.org/10.5194/acp-2021-28

10. Karimian H., Li Q., Wu Ch., et al. Evaluation of Different Machine Learning Approaches to Forecasting PM2.5 Mass Concentrations. Aerosol and Air Quality Research. 2019;19(6):1400–1410. https://doi.org/10.4209/aaqr.2018.12.0450

11. Masood A., Hameed M.M., Srivastava A., et al. Improving PM2.5 prediction in New Delhi using a hybrid extreme learning machine coupled with snake optimization algorithm. Scientific Reports. 2023;13. https://doi.org/10.1038/s41598-023-47492-z

12. Kukartsev V.V., Boyko A.A., Mikhalev A.S., Tynchenko V.S., Rukosueva A.A., Korpacheva L.N. Simulation-Dynamic Model of Working Time Costs Calculation for Performance of Operations on CNC Machines. In: Journal of Physics: Conference Series: Volume 1582: High-Tech and Innovations in Research and Manufacturing (HIRM-2020), 28 February 2020, Siberia, Russia. Bristol: IOP Publishing Ltd; 2020. https://doi.org/10.1088/1742-6596/1582/1/012052

13. Shen J., Valagolam D., McCalla S. Prophet forecasting model: a machine learning approach to predict the concentration of air pollutants (PM2.5, PM10, O3, NO2, SO2, CO) in Seoul, South Korea. PeerJ. 2020;8. https://doi.org/10.7717/peerj.9961

14. Fedorova N.V., Dzhioeva N.N., Kukartsev V.V., Dalisova N.A., Ogol A.R., Tynchenko V.S. Methods of Assessing the Efficiency of the Foundry Industrial Marketing. In: IOP Conference Series: Materials Science and Engineering: Volume 734: II International Scientific Conference "Advanced Technologies in Aerospace, Mechanical and Automation Engineering" – MIST: Aerospace – 2019, 18–21 November 2019, Krasnoyarsk, Russia. Bristol: IOP Publishing Ltd; 2020. https://doi.org/10.1088/1757-899X/734/1/012083

15. Kukartsev V.V., Tynchenko V.S., Chzhan E.A., et al. Solving the Problem of Trucking Optimization by Automating the Management Process. In: Journal of Physics: Conference Series: Volume 1333: The International Conference "Information Technologies in Business and Industry", 18–20 February 2019, Novosibirsk, Russia. Bristol: IOP Publishing Ltd; 2019. https://doi.org/10.1088/1742-6596/1333/7/072027

16. Agibayeva A., Khalikhan R., Guney M., Karaca F., Torezhan A., Avcu E. An Air Quality Modeling and Disability-Adjusted Life Years (DALY) Risk Assessment Case Study: Comparing Statistical and Machine Learning Approaches for PM2.5 Forecasting. Sustainability. 2022;14(24). https://doi.org/10.3390/su142416641

17. Lee M., Lin L., Chen Ch.Y., et al. Forecasting Air Quality in Taiwan by Using Machine Learning. Scientific Reports. 2020;10. https://doi.org/10.1038/s41598-020-61151-7

18. Morapedi T.D., Obagbuwa I.Ch. Air pollution particulate matter (PM2.5) prediction in South African cities using machine learning techniques. Frontiers in Artificial Intelligence. 2023;6. https://doi.org/10.3389/frai.2023.1230087

19. Palanichamy N., Haw S.-Ch., S S., Govindasamy K., Murugan R. Prediction of PM2.5 concentrations in Malaysia using machine learning techniques: a review. F1000Research. 2021;10. https://doi.org/10.12688/f1000research.73163.1