基于可解释符号回归模型从常规监测数据估算PM?日浓度的研究
《Current Oncology》:Interpretable Symbolic Regression for PM1 Estimation from Routine Air Quality Measurements: Implications for Sustainable Air Quality Management
【字体:
大
中
小
】
时间:2026年10月21日
来源:Current Oncology 3.6
摘要
细颗粒物(PM1)因其能够深入渗透呼吸系统且含有高比例的二次无机和有机成分,被认为是危害最大的大气气溶胶组分之一。尽管PM1在环境和公共健康方面具有重要意义,但在大多数国家空气质量监测网络中并未对其进行常规监测,因此亟需开发能够从常规观测数据中估算其浓度的方法。本研究开发了具有可解释性的符号回归模型,利用常规监测的颗粒物组分和气象变量来估算PM1的日浓度。分析数据来自2023年至2025年间华沙生命科学大学(SGGW)监测站的日常观测记录。预测变量包括PM2.5、PM10、总悬浮颗粒物(TSP)以及常规测量的气象参数。本研究使用Python 3.12中的PySR库(版本1.5.10)实现符号回归,以在预设数学结构的情况下识别显式数学方程。由于PM1在物理上嵌套于PM2.5之中,本研究还额外考察了PM1/PM2.5质量浓度比,以区分两种组分之间预期的结构性关系与大气条件带来的额外变异性。PM1/PM2.5比值表现出显著变异性,总体均值为0.849,日值范围从0.520到0.962,年均值在0.831至0.863之间变化。研究还评估了基于固定PM1/PM2.5比值和传统线性回归的基准模型。在符号回归模型中,使用PM2.5和相对湿度的方程表现出最高的预测性能,在留出测试数据集上的R2 = 0.9946,MAE = 0.3658 μg·m?3,MSE = 0.1984 (μg·m?3)2。仅基于PM2.5的模型同样表现出较高的预测性能(R2 = 0.9917),印证了PM1与PM2.5之间密切的结构性关系。固定PM1/PM2.5比值的预测精度低于传统线性回归模型,表明两种颗粒物组分之间的关系无法通过单一恒定比值来充分描述。在相同的留出测试子集上,仅使用PM2.5的传统线性回归达到R2 = 0.9932和MAE = 0.4066 μg·m?3,而加入相对湿度后将R2提高至0.9956,MAE降低至0.3126 μg·m?3。结果表明,PM1从PM2.5的高可预测性主要与两种嵌套颗粒物组分之间的内在关系有关,而气象变量提供了补充信息,尤其是当使用PM10和TSP等更宽范围的颗粒物组分时。因此,符号回归的主要贡献在于通过数据驱动的方式发现显式数学关系和简洁的预测变量组合,而非相较于传统回归具有更优越的预测精度。所建立的方程应被视为经验关系,在超出所研究数据集范围的应用之前,需进行独立的时间和空间验证。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号