基于机器学习和非参数估计的PM2.5风险评估

作者：周琪; 于洋; 刘苗苗^*; 毕军

来源：中国环境科学, 2022, 42(08): 3554-3560.

DOI：10.19674/j.cnki.issn1000-6923.2022.0145

• PM2.5
• 机器学习
• 非参数估计
• 暴露风险评估
• 特征识别

为开展区域风险评估,融合手机信令、气象和地理信息等多源数据,引入随机森林机器学习、非参数估计分位数图示法和非监督学习K-mean等方法,构建了区域PM2.5风险评估及特征识别评价框架,在南京市区以0.3km分辨率网格为基础单元开展了案例研究.结果表明,该技术既可有效模拟PM2.5浓度时空分布,十折交叉验证R2达到0.76,证明了准确度较高,并基于此识别出4种主要污染特征;也可有效捕捉短期人口流动导致的风险,在污染浓度不变的情况下短期人口流动会导致风险增加0.30～0.97倍.综合PM2.5浓度和人口分布,识别出4种主要暴露风险模式,其中,研究区域6.5%的面积为高风险地区,23.0%的面积为低风险地区.“十四五”期间应加快现代科学技术在环境保护领域的应用,实施网格化和差异化的风险控制政策,维护人群健康.

• 单位
  清华大学; 南京大学; 污染控制与资源化研究国家重点实验室