基于地统计与机器学习模型的 PM2.5 时空预测比较研究
应用统计
2026-02-27 v2 机器学习
摘要
环境空气污染构成严重的健康和环境挑战。对高浓度 PM2.5 的暴露已与增加的呼吸系统和心血管病住院、紧急诊科就诊和死亡有关。传统的空气质量监测系统如 EPA 认证的站点提供的监测数据在空间和时间上有限。低成本传感器的出现极大地提高了空气质量数据的细节，使实时、高分辨率监控成为可能。本研究利用来自 PurpleAir 传感器的大量数据，评估和比较 various 统计和机器学习 模型在加州生产准确小时 PM2.5 地图方面的有效性。我们评估了传统地统计方法，包括克里金和土地使用回归，针对神经网络、随机森林和支持向量机等先进机器学习 方法，以及集成模型。我们的发现通过集成模型纠正了 PurpleAir 数据中的偏差，显著增强了 PM2.5浓度的预测准确性，该模型结合了时空依赖性和机器学习模型。
引用
@article{arxiv.2509.12051,
title = {A comparison between geostatistical and machine learning models for spatio-temporal prediction of PM2.5 data},
author = {Zeinab Mohamed and Wenlong Gong},
journal= {arXiv preprint arXiv:2509.12051},
year = {2026}
}