Raumzeitliche Entwicklungsmerkmale und Vorhersageanalyse der städtischen Luftqualität in China

Scientific Reports Band 13, Artikelnummer: 8907 (2023) Diesen Artikel zitieren

440 Zugriffe

Details zu den Metriken

Um die räumlich-zeitlichen Variationsmerkmale und zukünftigen Trends der städtischen Luftqualität in China zu beschreiben, bewertet diese Studie die räumlich-zeitlichen Entwicklungsmerkmale und Zusammenhänge zwischen dem Luftqualitätsindex (AQI) und sechs primären Verschmutzungsindikatoren unter Verwendung von Luftqualitätsüberwachungsdaten von 2014 bis 2022. Saisonal Zur Vorhersage der Luftqualität werden autoregressive integrierte gleitende Durchschnittsmodelle (SARIMA) und Zufallswaldmodelle (RF) erstellt. (1) Die Ergebnisse der Studie deuten darauf hin, dass die Verschmutzungsgrade und Luftqualitätsindexwerte in chinesischen Städten jährlich sinken und einem „U“-förmigen Muster mit monatlichen Schwankungen folgen. Die Schadstoffwerte sind im Winter hoch und im Frühling niedrig, im Sommer niedrig und im Herbst ansteigend (O3 zeigt das Gegenteil). (2) Die räumliche Verteilung der Luftqualität in chinesischen Städten ist im Südosten niedrig und im Nordwesten hoch, in den Küstengebieten niedrig und im Landesinneren höher. Die Korrelationskoeffizienten zwischen AQI und den Schadstoffkonzentrationen sind wie folgt: Feinstaub (PM2,5), einatembarer Feinstaub (PM10), Kohlenmonoxid (CO), Stickstoffdioxid (NO2), Schwefeldioxid (SO2) und Ozon ( O3)-Werte korrelieren mit 0,89, 0,84, 0,54, 0,54, 0,32 bzw. 0,056. (3) In Bezug auf kurzfristige AQI-Vorhersagen schneidet das RF-Modell besser ab als das SARIMA-Modell. Die langfristige Prognose geht davon aus, dass der durchschnittliche AQI-Wert in chinesischen Städten im Jahr 2032 voraussichtlich um 0,32 Punkte im Vergleich zum Niveau von 52,95 im Jahr 2022 sinken wird. Diese Studie ist von entscheidender Bedeutung für die Analyse und Vorhersage der städtischen Luftqualität.

Seit mehr als 30 Jahren, von der Reform und Öffnung bis zum ersten Jahrzehnt des 21. Jahrhunderts, ist Chinas Wirtschaft weiterhin mit hoher Geschwindigkeit gewachsen. Dies geht jedoch mit immer schwerwiegenderen Umweltproblemen einher. Luftverschmutzung ist eines der größten Umweltprobleme in China. Im Jahr 2010 betrugen beispielsweise die nationalen Schwefeldioxidemissionen 21,851 Millionen Tonnen, die Stickoxidemissionen 18,254 Millionen Tonnen, die Rußemissionen 8,291 Millionen Tonnen und die Industriestaubemissionen 4,487 Millionen Tonnen. In diesem Zusammenhang hat das Ministerium für Ökologie und Umwelt der Volksrepublik China im Jahr 2012 die neu überarbeiteten „Standards für die Luftqualität“ und im Jahr 2013 die „Technische Verordnung zur Bewertung der Luftqualität (in Erprobung)“ herausgegeben. Die wichtigsten Substanzen, die sich auf die Luft auswirken Qualität umfasst sowohl kurzlebige Schadstoffe (wie PM2,5 und O3) als auch langlebige Treibhausgase (wie CO2 und CH4). Beides entsteht durch den Energieverbrauch und sollte koordiniert behandelt werden. Tatsächlich hat China seit der ersten Betonung des Umweltschutzes in der Verfassung der Volksrepublik China im Jahr 1978 eine Reihe von Maßnahmen zur Bekämpfung der Luftverschmutzung und zur Verbesserung der Richtlinien zur Vermeidung und Kontrolle der Luftverschmutzung umgesetzt. Im Jahr 2013 wurde der „Aktionsplan zur Vermeidung und Kontrolle der Luftverschmutzung“ („Zehn Artikel zur Atmosphäre“) herausgegeben, der Governance-Ziele festlegt und Leitlinien bereitstellt. Auch regionale Kooperationsmechanismen wurden gestärkt, um die Umweltpolitik zu koordinieren. Die Regierung hat nacheinander Richtlinien herausgegeben, wie den „Dreijahres-Aktionsplan für den Sieg im Kampf um den blauen Himmel“, die „Kernpunkte der nationalen Arbeit zur Verhütung und Kontrolle der Luftverschmutzung 2019“ und den „Vierzehnten Fünfjahresplan zur Umsetzung saubererer Produktion“. und das Visionsziel 2035. Auf dem 20. Nationalkongress der Kommunistischen Partei Chinas (KPCh) wurden die Konzepte eines harmonischen Zusammenlebens zwischen Mensch und Natur sowie einer grünen Entwicklung vorgestellt, um der steigenden öffentlichen Nachfrage nach Umweltschutz gerecht zu werden. Diese Ziele unterstreichen die Notwendigkeit, die Luftqualität zu bewerten; Untersuchung von Veränderungen der städtischen Luftqualität und der räumlich-zeitlichen Verteilungseigenschaften von Luftschadstoffen; und die zukünftige Luftqualität vorhersagen. Die daraus resultierenden Erkenntnisse können als Orientierungshilfe für die Öffentlichkeit dienen, um vorbeugende Maßnahmen zur Vermeidung von Luftverschmutzung zu ergreifen, und können eine wichtige theoretische Grundlage für relevante Regierungsstellen für die Durchführung von Präventions- und Kontrollmaßnahmen darstellen. Diese Schritte würden China helfen, aktiv auf die Luftverschmutzung zu reagieren, anstatt sie nur passiv zu überwachen.

Das Thema Überwachung, Bewertung und Vorhersage der Luftqualitätsbedingungen stößt bei Wissenschaftlern weltweit auf großes Interesse1,2,3. Die Luftqualitätsforschung in China konzentriert sich hauptsächlich auf drei Bereiche. Der erste Forschungsbereich umfasst Luftqualitätsstudien auf verschiedenen Maßstäben und in bestimmten Regionen. Beispielsweise wurden in Studien die zwischenjährlichen Variationsmerkmale der Luftqualität in Zentral- und Ostchina4, in typischen nördlichen Städten5 und in typischen Städten im Norden und Süden des Landes6,7 analysiert. In Studien wurden auch zwischenjährliche Schwankungen der Luftqualität berücksichtigt8, die Luftqualitätsniveaus zwischen Stadt und Land verglichen und Luftqualitätsschwankungen während wichtiger Festivals und Veranstaltungen analysiert. Der zweite Forschungsbereich konzentriert sich auf die Einflussfaktoren auf die Luftqualität. Diese Faktoren sind komplex und umfassen Schadstofffaktoren9,10, Bevölkerungsdichte11, Energie12, anthropogene Faktoren13,14, meteorologische Elemente15,16 und sozioökonomische Faktoren17,18. Er et al. führte eine Studie mit AQI, meteorologischen Faktoren und sozioökonomischen Daten durch. Diese Studie ergab, dass die Klimabedingungen die Hauptursachen für die Luftverschmutzung in der Provinz Hebei waren, während anthropogene Emissionen die Hauptfaktoren für die schwere Luftverschmutzung in derselben Region waren19. Der dritte Forschungsbereich umfasst die Analyse der Luftqualitätsvorhersage und konzentriert sich dabei auf drei Haupttypen von Methoden: latente Vorhersagen20, numerische Vorhersagen21 und statistische Vorhersagen22,23,24. Statistische Prognosen prognostizieren zukünftige Trends durch die Analyse statistischer Muster von Input-Output-Informationen im Zusammenhang mit der Luftverschmutzung. Dieser Ansatz hat aufgrund seiner schnellen und einfachen Funktionen die Aufmerksamkeit vieler Forscher auf sich gezogen. Schließlich ist der integrierte Algorithmus Random Forest (RF) ein neues Paradigma des maschinellen Lernens und erfreut sich aufgrund seiner guten Robustheit und hohen Vorhersagegenauigkeit großer Beliebtheit.

Die in früheren Studien zu den räumlich-zeitlichen Entwicklungsmerkmalen der städtischen Luftqualität in China verwendeten Modelle und Methoden sind relativ ausgereift. Allerdings haben nur wenige Studien die Luftqualität für mehrere Städte in ganz China und über längere Beobachtungszeiträume analysiert und vorhergesagt. Darüber hinaus konzentrierten sich frühere Untersuchungen hauptsächlich auf die Vorhersage von AQI-Werten zu bestimmten historischen Zeitpunkten, bezogen jedoch keine historischen Konzentrationswerte der sechs Hauptschadstoffe in ihre Vorhersageanalyse ein. Um dieses Thema anzugehen, analysiert diese Studie den täglichen AQI und Daten zu sechs großen Luftschadstoffen von Mai 2014 bis August 2022 für 388 Großstädte in 31 Provinzen in China. Die Studie analysiert die Merkmale der räumlichen und zeitlichen Verteilung der Luftqualität in chinesischen Städten, die sich ändernden Trends und die Korrelation zwischen den wichtigsten Schadstoffen mit erheblichen Auswirkungen. Darüber hinaus wurden historische AQI-Werte und Konzentrationen der sechs wichtigsten Luftschadstoffe als unabhängige Variablen verwendet, um SARIMA- und RF-Modelle zu erstellen und die zukünftige Entwicklung städtischer Luftqualitätsindikatoren in China vorherzusagen. Die Studienergebnisse liefern eine wissenschaftliche Grundlage für die zuständigen Abteilungen zur Überwachung der atmosphärischen Umwelt und zur Luftreinhaltung und können als Grundlage für Maßnahmen zur Verbesserung der Luftqualität in der Zukunft dienen.

Die in dieser Studie verwendeten Luftqualitätsdaten stammen von der China General Environmental Monitoring Station, einer Plattform, die nationale Daten zur städtischen Luftqualität in Echtzeit veröffentlicht. Für die Analyse und Modellierung dieser Studie werden insgesamt 1.050.590 tägliche Datenpunkte zur Luftqualität verwendet. Sie repräsentieren Daten vom 13. Mai 2014 bis zum 27. August 2022 für 388 Großstädte in 31 Verwaltungsregionen auf Provinzebene in China (ohne Hongkong und Macau). und Taiwan) in China. Zu den verfügbaren Daten gehören der AQI und die Konzentrationen von O3, PM2,5, PM10, SO2, NO2 und CO. Der AQI ist ein wesentlicher umfassender Indikator, der das Niveau der Luftqualität einer Stadt widerspiegelt. Sie wird anhand der Konzentration von sechs Hauptschadstoffen berechnet und korreliert mit der zunehmenden Schwere der Luftverschmutzung. Mit anderen Worten: Größere AQI-Werte deuten auf eine höhere Luftverschmutzung hin, während kleinere AQI-Werte auf eine geringere Luftverschmutzung hinweisen. Die AQI-Werte werden gemäß den technischen Bestimmungen zum Luftqualitätsindex (zu Testzwecken) in sechs Klassen eingeteilt: ausgezeichnet (0–50), gut (51–100), leichte Verschmutzung (101–150), mittlere Verschmutzung (151). –200), starke Verschmutzung (201–300) und schwere Verschmutzung (301–500).

Diese Studie konzentriert sich auf die Untersuchung der räumlich-zeitlichen Variationsmerkmale und Trends des AQI anhand täglicher Echtzeit- und zeitvariabler Daten. Zunächst werden die Daten mithilfe der statistischen Analysesoftware PYTHON (Jupyter Notebook 6.3.0) klassifiziert und zusammengefasst. Die fehlenden Werte werden durch die Durchschnittsdaten der entsprechenden Städte ersetzt.

Die Korrelationsanalyse wird häufig zur Analyse von Luftqualitätsproblemen eingesetzt, und Studien haben gezeigt, dass mit diesem Ansatz die Schlüsselfaktoren, die dunstiges Wetter und erhöhte PM2,5-Konzentrationen beeinflussen, effektiv identifiziert werden können. Daher untersucht diese Studie mittels Korrelationsanalyse die Korrelation zwischen AQI und den sechs wichtigsten Schadstoffkonzentrationsindikatoren mit dem Ziel, die Ursachen für diese Korrelationen auf der Grundlage umfangreicher Studien zu erforschen. Darüber hinaus bietet diese Studie auch eine deskriptive statistische Analyse der jährlichen und saisonalen Schwankungen der städtischen Luftqualität in China sowie der Verteilungsmerkmale auf Provinz- und Gemeindeebene. Dies bietet eine Grundlage für spätere Vorhersagen.

Die Analyse der Zeitreihenzerlegung zeigt, dass monatliche Daten zu Luftverschmutzungsindikatoren in chinesischen Großstädten sowohl langfristige als auch saisonale Schwankungen aufweisen. Darüber hinaus korrelieren die sechs Schadstoffkonzentrationsindikatoren signifikant mit den AQI-Werten bedeutender Städte in China. Möglicherweise bestehen auch Zusammenhänge zwischen den sechs Hauptschadstoffen. Dies weist darauf hin, dass zwischen allen Faktoren Multikollinearität besteht. Dies erfüllt nicht die Bedingung der gegenseitigen Unabhängigkeit, sodass eine direkte lineare Regressionsanalyse ungeeignet ist. Um dieses Problem anzugehen, wendet diese Studie Zeitreihen- und Random-Forest-Regressionsmodelle an, um den AQI zu analysieren und vorherzusagen, um festzustellen, ob die Bedingung der gegenseitigen Unabhängigkeit für den Datensatz verletzt wird. Zunächst wird das SARIMA-Modell auf der Grundlage der Datenmerkmale früherer AQI-Daten erstellt, mit dem Ziel, AQI-Daten im Jahr 2022 vorherzusagen.

Die allgemeine Form des SARIMA-Modells ist \(SARIMA(p,d,q)(P,D,Q)^{s}\), ausgedrückt als:

wobei \(y_{t}\) die Zeitreihe ist; \(\mu_{t}\) ist ein Zufallsterm; \(\Phi_{P} (L)\) bezeichnet das autoregressive charakteristische Polynom; p bezeichnet die autoregressive maximale Verzögerung; \(\Theta_{q} (L)\) bezeichnet das charakteristische Polynom des gleitenden Durchschnitts; und q bezeichnet die maximale Verzögerung des gleitenden Durchschnitts. Der Term \(A_{P} (L^{s} )\) ist das saisonale autoregressive charakteristische Polynom; s bezeichnet die Länge der Saisonperiode; P bezeichnet die saisonale autoregressive maximale Verzögerung; \(B_{Q} (L^{s} )\) bezeichnet das charakteristische Polynom des saisonalen gleitenden Durchschnitts; Q bezeichnet die maximale Verzögerung des gleitenden Durchschnitts; und d bezeichnet die nichtsaisonale einzelne ganzzahlige Ordnung, die die einzelne ganzzahlige Differenz darstellt. Der Term \(\Delta_{s}^{D} y_{t}\) bezeichnet die D-fache saisonale Differenz, und D bezeichnet die Ordnung des saisonalen Termes, der die saisonale Differenz darstellt.

Frühere theoretische und empirische Untersuchungen haben gezeigt, dass AQI-Werte in chinesischen Städten klare räumliche und zeitliche Wechselwirkungen aufweisen. Die Größe der AQI-Werte wird durch die räumlichen Wechselwirkungen und durch die kumulative Wirkung historischer Schadstoffkonzentrationen im Laufe der Zeit beeinflusst. Diese Studie erstellt ein zufälliges Waldregressionsmodell zur Vorhersage des AQI aus einer nichtlinearen Perspektive, indem es verschiedene Schadstoffauswirkungsfaktoren im Zeitverlauf kombiniert und die sechs Schadstoffkonzentrationsindikatoren zu historischen Zeitpunkten als unabhängige Variablen verwendet.

Der Random-Forest-Algorithmus ist ein kombinatorisches Modell bestehend aus Entscheidungsbäumen \(h_{i} (x_{t} )\). Der Regressionsbaum verwendet den Mittelwert basierend auf jedem Endknoten als Gesamtvorhersageergebnis. Somit ist für die Stichprobe \(x_{t} \in R^{j}\) j die Anzahl der Features und der Zufallswald \(\overline{h}(x_{t} )\) der Durchschnitt davon die vorhergesagten Ergebnisse aller Teilbäume \(h_{i} (x_{t} )\), ausgedrückt wie folgt:

Dabei ist k die Anzahl der Entscheidungsteilbäume.

Bevor wir das Modell für Prognosen verwenden, bewerten wir zunächst die Vorhersageleistung des Modells. Die Modellgenauigkeit wird im Allgemeinen anhand des mittleren absoluten prozentualen Fehlers (MAPE) und des mittleren quadratischen Fehlers (RMSE), des mittleren quadratischen Fehlers (MSE) und des mittleren absoluten Fehlers (MAE) bestimmt. Darüber hinaus werden häufig auch die Güte der Anpassung (GOF) und der erklärte Varianzwert (EVS) verwendet, um die Stärken und Schwächen von Prognosemethoden zu messen. Um die Genauigkeit der Vorhersageleistung des Modells zu messen und ein effektives Modellierungsergebnis sicherzustellen, sollte eine Kombination verschiedener Parameter in Betracht gezogen werden.

Räumliche und zeitliche Entwicklungsmerkmale der städtischen Luftqualität in China.

Der erste Schritt besteht darin, die allgemeinen Verteilungsmerkmale und Trends der täglichen durchschnittlichen AQI-Werte und der Konzentrationswerte der sechs Hauptschadstoffe CO, NO2, O3, PM10, PM2,5 und SO2 für chinesische Städte von 2014 bis 2022 zu beschreiben. Tabelle 1 und Online-Ressource 1 zeigen die Ergebnisse der Zeitreihenänderungsanalyse dieser Daten. Die Diagramme zeigen visuell, dass die AQI-, CO-, NO2-, O3-, PM10-, PM2,5- und SO2-Daten relativ ähnliche Verteilungseigenschaften mit erheblichen Schwankungen aufweisen. Zeittrends haben einen erheblichen Einfluss auf die Reihe und weisen darauf hin, dass die Jahreszeiten den zyklischen Schwankungstrend beeinflussen. Der AQI ist im Jahr 2021 im Vergleich zu 2015 um 26,75 % gesunken, während der Rückgang zwischen 2016 und 2021 22,1 % betrug; Die konkreten Zahlen sind in Tabelle 1 aufgeführt. Auch die anderen sechs Primärverschmutzungskonzentrationen gingen von Jahr zu Jahr zurück.

Tabelle 2 zeigt die klassifizierte tägliche Luftqualität nach Grad und Jahr. Die städtische Luftqualität in China erreichte in den folgenden neun Jahren von 2014 bis 2022 an den folgenden Prozentsätzen an Tagen ein „ausgezeichnetes“ Niveau: 75,00 %, 78,97 %, 82,24 %, 83,74 %, 86,73 %, 88,67 %, 91,41 %, 91,36 %, bzw. 92,42 %. Dies deutet auf einen von Jahr zu Jahr steigenden Trend hin. Der Prozentsatz der Tage mit starker und schwerwiegender Verschmutzung beträgt in denselben neun aufeinanderfolgenden Jahren 2,46 %, 2,97 %, 2,48 %, 2,21 %, 2,02 %, 1,601 %, 1,115 %, 1,37 % bzw. 0,98 %. Dies zeigt einen von Jahr zu Jahr abnehmenden Trend. Im Allgemeinen wird die Luftqualität in den meisten Städten mit „Ausgezeichnet“ bewertet, gefolgt von „Gut“, wobei nur an einem bestimmten Anteil der Tage Lichtverschmutzung gemeldet wird. Es gibt sogar noch weniger Tage, die als mäßige Verschmutzung oder höher eingestuft werden. Obwohl der Anteil der Tage mit Luftverschmutzung in chinesischen Städten in den letzten Jahren zurückgegangen ist, ist dieser Anteil nicht gering und die Luftverschmutzung sollte weiterhin aktiv gemanagt und kontrolliert werden.

Die Korrelationskoeffizienten zwischen AQI und jedem der folgenden sechs Schadstoffe, PM2,5, PM10, CO, NO2, SO2 und O3, betragen 0,89, 0,84, 0,54, 0,54, 0,32 bzw. − 0,056 (Abb. 1). Der Schadstoff O3 ist der einzige mit einer negativen Korrelation zum AQI; Alle fünf anderen Schadstoffe korrelieren positiv mit dem AQI. Abbildung 1 zeigt, dass der Anstieg der PM10- und PM2,5-Konzentrationen mit dem deutlichsten Anstieg des AQI verbunden ist. Dies könnte darauf hindeuten, dass AQI empfindlicher auf Änderungen der Partikelkonzentration reagiert. Ozonveränderungen werden hauptsächlich durch Sonneneinstrahlung verursacht; Daher gibt es keine starke Korrelation zwischen Änderungen der Ozonkonzentration und Änderungen des AQI. Darüber hinaus lagen die Korrelationskoeffizienten zwischen den sechs Schadstoffen, insbesondere zwischen PM2,5 und PM10, PM2,5 und CO sowie den CO- und NO2-Konzentrationen, über 0,58. Lang Lijun et al. stellte außerdem fest, dass PM stark mit NO2, CO und O3-8h25 korreliert. Dies weist darauf hin, dass zwischen allen Faktoren eine Multikollinearität besteht, was die Komplexität der Korrelation verdeutlicht.

Wärmekarte von AQI und sechs Hauptschadstoffen in China.

In der vergleichenden Analyse werden vier Jahreszeiten nach dem gregorianischen Kalender eingeteilt. Daher werden Frühling, Sommer, Herbst und Winter als März bis Mai, Juni bis August, September bis November und Dezember bis Februar bezeichnet. Tabelle 3 zeigt den Mittelwert des AQI und die Konzentrationen der sechs Schadstoffe in den verschiedenen Jahreszeiten; Aus der Tabelle geht hervor, dass der AQI und sechs Schadstoffe in chinesischen Städten erhebliche saisonale Schwankungen aufweisen. Dieses Ergebnis stimmt eng mit den Erkenntnissen von Ji Mengyi et al.15 überein. Insbesondere im Winter während der Heizperiode ist der AQI generell höher, mit einem durchschnittlichen AQI von 86,64 (leichte Verschmutzung). Der Gesamt-AQI ist im Sommer niedriger, mit einem durchschnittlichen AQI von 47,62 (gut). Die Ergebnisse zeigen, dass die Luftqualität in chinesischen Städten im Winter am schlechtesten und im Sommer am besten ist, was auf saisonale Schwankungen sowohl bei natürlichen als auch menschlichen Aktivitäten zurückzuführen ist. Im Winter gibt es weniger trockene Niederschläge, niedrige Temperaturen, stabilen Luftdruck und Temperaturinversion. Diese Bedingungen erleichtern die Diffusion und Verdünnung von Schadstoffen nicht. Mit Beginn der Heizperiode nehmen die Schadstoffemissionen zu, was die Luftverschmutzung verschärft. Im Frühling und Herbst ist das Wetter überwiegend windig und sandig, was sich negativ auf die Luftqualität auswirkt. Im Sommer nehmen die Niederschläge zu, die Luftfeuchtigkeit ist hoch und die lokale Konvektion über der Stadt ist stark. Dies erleichtert die Ablagerung, Verdünnung und Verbreitung von Schadstoffen und verbessert die Luftqualität.

Tabelle 3 zeigt auch, dass die PM10- und PM2,5-Konzentrationen in der Wintersaison am höchsten waren und dass PM2,5, PM10, O3 und NO2 als Luftqualitätsindizes in der Frühlingssaison am höchsten waren. O3 war in der Sommersaison am höchsten, wahrscheinlich weil konstant hohe Temperaturen und intensive Sonneneinstrahlung im Sommer dazu neigen, photochemische Reaktionen von Stickoxiden und flüchtigen organischen Verbindungen in Fahrzeugabgasen und Fabrikrauchemissionen auszulösen. Dadurch entsteht mehr Ozon26. Heidarinejad et al. berichteten außerdem, dass die meisten ungesunden Tage im Zusammenhang mit PM2,5- und PM10-Schadstoffen in der Winter- und Frühlingssaison auftreten. Ihre Ergebnisse zeigten jedoch, dass die O3-Werte im Winter am höchsten sind, was im Widerspruch zu den Schlussfolgerungen unserer Studie steht27. Fang Lanlan et al. untersuchten den Zusammenhang zwischen der Ozonkonzentration (O3) und dem Auftreten sommerlicher allergischer Hauterkrankungen (ASD). Ihre Studie ergab einen positiven Zusammenhang zwischen der O3-Konzentration und der Krankenhauseinweisung wegen ASD und chronischer Urtikaria und lieferte damit indirekte Hinweise auf höhere O3-Konzentrationen im Sommer im Vergleich zu anderen Jahreszeiten28.

Abbildung 2 zeigt die monatliche Datentrendverteilung der AQI-Werte. Das Bild zeigt visuell, dass der AQI speziell mit dem Monat zusammenhängt und es eine gewisse Periodizität in der Verteilung des monatlichen AQI gibt. Der monatliche durchschnittliche AQI im Jahr 2014 liegt deutlich über den Werten in den folgenden Studienjahren, insbesondere im April, Juni, August und November. Die monatlichen durchschnittlichen AQI-Werte für 2019–2022 sind im Vergleich zu 2014 deutlich niedriger. Insgesamt sank der monatliche durchschnittliche AQI-Wert von März bis Juli kontinuierlich und erreichte seinen niedrigsten Wert von Ende Juli bis Anfang August. Anschließend stieg der Wert sukzessive auf den Höchstwert im Februar des Folgejahres. Der AQI in chinesischen Städten zeigt ein monatliches „U“-förmiges Muster, bei dem er im Winter hoch ist, im Frühling abnimmt, im Sommer dann niedrig ist und im Herbst ansteigt. Unter den sechs Schadstoffen weisen fünf Schadstoffe eine „U-förmige“ Verteilung auf; nur O3 weist eine „umgekehrte U-förmige“ Verteilung auf. Diese Entdeckung liefert wertvolle Erkenntnisse über den Zusammenhang zwischen dem Luftqualitätsindex und Schadstoffen, die als Grundlage für die Entwicklung gezielter Maßnahmen zur Luftreinhaltung dienen können.

Monatliche Verteilungsmerkmale des AQI-Werts und des Konzentrationswerts von sechs Schadstoffen.

Abbildung 3 zeigt die räumliche Verteilung des AQI in chinesischen Städten von 2014 bis 2022. Die Ergebnisse deuten auf ein erhebliches Ungleichgewicht in Bezug auf die räumliche Verteilung der städtischen Luftqualität in China hin. Die Luftqualität ist im zentralen Binnenland und Nordwesten Chinas schlechter und in den südöstlichen Küsten- und Hochlandgebieten besser. Im Allgemeinen zeigt der AQI chinesischer Städte ein räumliches Verteilungsmuster, das im Südosten niedrig und im Nordwesten hoch sowie an der Küste niedrig und im Landesinneren hoch ist. Diese Beobachtungen stimmen weitgehend mit den Erkenntnissen von Lin Xueqin und Wang Dai überein. (2016)17, sowie Wan Qing et al. (2022)29. Diese Entdeckung ist von großem Referenzwert für ein umfassendes Verständnis der regionalen Unterschiede in der städtischen Luftqualität in China und für die Durchführung eingehender Untersuchungen zu den Grundursachen der Luftverschmutzung. Darüber hinaus bietet es umfassende Unterstützung für die Entwicklung von Strategien zur Luftreinhaltung, die auf bestimmte Regionen zugeschnitten sind.

Räumliche Muster des AQI in chinesischen Städten. Hinweis: Die in dieser Studie verwendete Karte wurde auf Basis der Alibaba Cloud Data Visualization-Plattform unter Einhaltung des GS (2022)1061-Standards erstellt, ohne dass Änderungen an den Basiskartengrenzen vorgenommen wurden. Daten aus Hongkong, Macao und Taiwan wurden nicht berücksichtigt.

Die AQI-Werte der 31 Provinzen werden geordnet und die zehn Provinzen mit den niedrigsten AQI-Werten sind (in der Reihenfolge von niedrigeren zu höheren AQI-Werten): Hainan, Xizang, Yunnan, Fujian, Guizhou, Guangdong, Heilongjiang, Guangxi, Qinghai und Zhejiang. Diese zehn Provinzen weisen insgesamt eine zufriedenstellende Luftqualität auf und sind frei von Luftverschmutzung. Die zehn Provinzen mit der schlechtesten nationalen Luftqualität sind (in der Reihenfolge vom höchsten zum niedrigsten AQI-Wert): Henan, Xinjiang, Hebei, Tianjin, Shanxi, Peking, Shandong, Shaanxi, Ningxia und Hubei. Die allgemeine Luftqualität dieser 10 Provinzen ist akzeptabel; Einige Städte sind jedoch stärker verschmutzt als andere, was möglicherweise Auswirkungen auf die Gesundheit anfälliger Menschen hat.

Die Hauptschadstoffe in den zehn Provinzen mit der besten Luftqualität sind PM10, PM2,5 und O3. Die Konzentrationen dieser drei Substanzen haben einen erheblichen Einfluss auf die AQI-Werte. Dies zeigt sich insbesondere in den Korrelationen zwischen PM10 und PM2,5 und dem AQI, die 0,94 übersteigen. Darüber hinaus erreicht der Korrelationskoeffizient der O3-Konzentration auf AQI 0,78. Der Korrelationskoeffizient zwischen PM2,5 und PM10 erreicht 0,9; PM10 umfasst PM2,5, sodass ein Anstieg von PM2,5 auch die PM10-Konzentration erhöht. Der Anstieg von PM10 kann nicht geringer sein als der Anstieg der PM2,5-Konzentration. Somit spiegelt die Korrelation von 0,9 die Realität wider. PM10 und PM2,5 sind auch die Hauptschadstoffe in den zehn Provinzen mit der schlechtesten Luftqualität.

Diese Studie analysiert die Luftqualität von 388 Großstädten in China basierend auf der Größe der AQI-Werte. Die zehn Städte mit der besten Luftqualität sind wie folgt (in der Reihenfolge von gut bis weniger gut): Tibetische Autonome Präfektur Garzê, Linzhi, Danzhou, Sanya, Sansha, Tibetische Autonome Präfektur Qiang Ngawa, Yushu Tibetische Autonome Präfektur, Qiannan Buyi und die Autonome Präfektur Miao, die Präfektur Altay und die Autonome Präfektur Diqing der Tibeter. Die zehn Städte mit der schlechtesten Luftqualität im Land sind (in der Reihenfolge vom schlechtesten zum besseren): Präfektur Hotan, Präfektur Kashgar, Präfektur Aksu, Autonome Präfektur Kizilsu der Kirgisen, Tulufan, Kuerle, Shijiazhuang, Anyang, Handan und Xingtai.

Die Hauptschadstoffe in den zehn Städten mit der besten Luftqualität sind PM2,5, PM10 und NO2; Die Korrelationskoeffizienten zwischen diesen drei Schadstoffen und dem AQI betragen 0,76, 0,92 bzw. 0,38. Die Korrelation zwischen PM2,5 und PM10 erreicht 0,81; Die anderen Korrelationen zwischen den sechs Hauptschadstoffen liegen jedoch unter 0,37 und sind statistisch nicht signifikant. Abbildung 4 zeigt, dass CO, SO2, NO2 und O3 kaum zur Luftverschmutzung in den zehn am stärksten verschmutzten Städten beitragen. Im Gegensatz dazu sind PM2,5 und PM10 die Schadstofffaktoren, die die Luftqualität dieser Städte am stärksten beeinflussen. Diese Schadstoffe stehen auch in engem Zusammenhang mit der Luftqualität in Städten und Provinzen. Zwischen PM2,5 und PM10 besteht eine starke positive Korrelation von 0,9, was darauf hindeutet, dass der Anstieg der PM2,5-Konzentration mit dem Anstieg der PM10-Werte einhergeht.

Wärmekarte der wichtigsten Schadstoffe in den zehn Städten mit der schlechtesten Luftqualität in China.

Zunächst zeichnen wir die AQI-Zeitreihe von Mai 2014 bis August 2022 auf und zerlegen die Zeitreihe direkt in den Trend und die saisonalen Residuen, um die Glätte zu testen (Abb. 5). Abbildung 5 zeigt erhebliche Schwankungen der AQI-Werte für China von 2014 bis 2022. Die Reihe scheint einen zeitbasierten Trend zu haben, mit einem allgemeinen Rückgang jedes Jahr und mit signifikanten saisonalen Merkmalen. Dies weist darauf hin, dass es sich um eine instationäre Reihe handelt. Daher generiert diese Studie eine glatte Reihe ohne weißes Rauschen, indem gewöhnliche und saisonale Differenzoperationen an den Originaldaten durchgeführt werden (Abb. 5c, d). Die Glätte wird mit der Methode des Augmented Dickey-Fuller-Tests (ADF) getestet. Die Ergebnisse sind in Online-Ressource 2 dargestellt. Die Ergebnisse des statistischen ADF-Tests deuten darauf hin, dass die hypothetischen Testwerte für den t-Test zur Bewertung der saisonalen Differenzierung und der Differenzierung erster Ordnung kleiner als die drei kritischen Werte 1 %, 5 % und 10 sind %.

(a) AQI-Zeitreihendiagramm. (b) Gleitender Durchschnitt und gewichteter gleitender Durchschnitt des AQI. (c) Saisonale Differenz- und Differenzsequenzdiagramme erster Ordnung des AQI. (d) ACF und PACF des mittleren monatlichen AQI nach der saisonalen Differenz und der Differenz erster Ordnung.

Für die Modellierung verwendet diese Studie eine Kombination aus Statistiken des Bayes'schen Informationskriteriums (BIC) und des Akaike-Informationskriteriums (AIC), um die optimale Reihenfolge des Modells zu bestimmen. Die BIC-Statistik wird minimiert, indem unterschiedliche Kombinationen von p- und q-Parametern für wiederholte Experimente ausgewählt werden und die durch automatisches Screening mit Python-Software generierten Ergebnisse kombiniert werden. Das Modell wird als \(SARIMA(2,1,1)(0,1,1)^{12}\) bestimmt. Die Modellparameter finden Sie in der Online-Ressource 3.

Die SARIMA-Modellgleichung lautet wie folgt:

Abbildung 6 zeigt eine insgesamt gute Modellanpassung und spiegelt den Trend des monatlichen durchschnittlichen AQI-Werts für chinesische Städte über einen kurzen Zeitraum wider. Das Restdiagramm mit gestrichelten Linien (Abb. 6b) zeigt an, dass das Modell genau ist, wobei die Restdifferenz zwischen dem vorhergesagten Wert und dem tatsächlichen Wert etwas schwankt. Dieser Trend wird von der Jahreszeit beeinflusst. Die Abweichung zwischen den vorhergesagten und den tatsächlichen Werten kann auf unvermeidliche Fehler bei der Anpassung des SARIMA-Modells zurückzuführen sein, basierend auf der Annahme, dass es keine signifikanten Änderungen bei anderen Einflussfaktoren gibt. Beispielsweise ist der prognostizierte Wert für Februar 2022 etwas größer als der tatsächliche Wert, möglicherweise weil das Modell das Feuerwerksverbot während des traditionellen chinesischen Neujahrs nicht berücksichtigt.

(a) Der nachahmende Effekt von AQI, simuliert durch \(SARIMA(2,1,1)(0,1,1)^{12}\). (b) Restdiagramm des SARIMA-Modells. (c) Rest-ACF und PACF nach der saisonalen Differenz und der Differenz erster Ordnung. (d) Rest-QQ-Zahl.

An der Restreihe des Modells wird ein Test mit weißem Rauschen durchgeführt, um die Fitness des Modells zu bestimmen. Wenn die Restreihe in eine Reihe mit weißem Rauschen fällt, wird davon ausgegangen, dass das Modell die Zeitreihe effektiv erklärt. Ansonsten muss das Modell weiter verbessert werden. Das QQ-Diagramm in Abb. 6c zeigt, dass die Restreihe normalverteilt ist. Die Residuen bestehen den Test des weißen Rauschens, was auf die Extraktion nützlicher Informationen aus der Zeitreihe hinweist. Der Rest spiegelt zufällige Störungen wider, die nicht vorhergesagt und genutzt werden können. Daher liegen die vorhergesagten Werte des monatlichen AQI, die aus dem Modell \(SARIMA(2,1,1)(0,1,1)^{12}\) erhalten wurden, näher an der tatsächlichen Situation, und das etablierte Modell weist eine ausgezeichnete Qualität auf passenden Effekt.

Der Random-Forest-Algorithmus ist in der Lage, die Luftqualität anhand eines nichtlinearen Ansatzes vorherzusagen und kann sowohl zur quantitativen als auch zur qualitativen Analyse der spezifischen Beziehungen zwischen den Einflussfaktoren von Schadstoffen und der Luftqualität sowie deren Einfluss auf den AQI verwendet werden. Um die Bedeutung der sechs Hauptschadstoffe zu untersuchen, verwendet diese Studie das konstruierte Zufallswaldmodell, um die wichtigen Merkmale der Schadstoffe auszuwählen, die die Luftqualität beeinflussen.

Als Typvariablen werden in dieser Studie die Luftqualitätsgrade von Mai 2014 bis August 2022 verwendet. Die AQI-Werte und Schadstofffaktordaten im Testsatz wurden in das trainierte RF-Vorhersagemodell eingegeben, um die relative Bedeutung jedes Luftschadstoffkonzentrationsindex zu ermitteln. Die relative Bedeutung beim Vergleich der Konzentrationen der sechs signifikanten Schadstoffe PM10, PM2,5, CO, SO2, NO2, O3 und der AQI-Werte beträgt 39,69 %, 32,28 %, 13,04 %, 8,80 %, 5,37 % und 0,82 %. jeweils. Das Random-Forest-Modell zeigt, dass PM2,5 und PM10 die beiden wichtigsten Indikatoren sind, die den AQI-Wert am stärksten beeinflussen. Es folgen CO, SO2 und NO2. Diese Ergebnisse stimmen mit den Ergebnissen der Korrelationskoeffizientenanalyse überein.

Diese Studie verwendet die Durchschnittswerte historischer zeitspezifischer Konzentrationen von sechs Hauptschadstoffen (PM2,5, PM10, O3, NO2, CO und SO2) von Mai 2014 bis Dezember 2021 als unabhängige Variablen. Die aus diesen Verschmutzungsfaktoren berechneten AQI-Werte werden als abhängige Variablen verwendet, um ein zufälliges Waldmodell zu erstellen, um AQI-Werte für chinesische Städte im Jahr 2022 vorherzusagen. Abbildung 7 zeigt die Ergebnisse.

(a) Vorhersagekurve des Random-Forest-Regressionsmodells. (b) Vorhersage-Residuendiagramm des Random-Forest-Modells. (c) Rest-ACF und PACF nach der saisonalen Differenz und der Differenz erster Ordnung. (d) Rest-QQ-Zahl.

Abbildung 7 zeigt, dass die vorhergesagten Werte sehr nahe an den gemessenen Werten liegen, was auf einen konsistenten Trend und eine hohe Vorhersagegenauigkeit hinweist. Bestimmte Faktoren (z. B. ein starker Temperaturabfall) verursachen jedoch eine gewisse Anzahl abnormaler Schwankungen des AQI. Da die Zufallsstruktur keine Informationen über diese Faktoren enthält, ist mit einem gewissen Fehler zwischen dem vorhergesagten Wert und dem tatsächlichen Wert zu rechnen.

An der Restsequenz des Modells wird ein Test mit weißem Rauschen durchgeführt, um die Eignung des Modells abzuschätzen. Der in Abb. 7c gezeigte Rest-QQ zeigt an, dass die Restsequenz den Test mit weißem Rauschen besteht. Das R2 des Random-Forest-Modells beträgt 97,61 %; der MAE beträgt 1,3841; der MAPE beträgt 0,0228; und der EVS beträgt 97,65 %. Dies weist weiter darauf hin, dass die Vorhersagegenauigkeit in einem angemessenen Bereich liegt und das Modell einen guten Anpassungseffekt erzielt. Im Allgemeinen sind die Variationstrends in Bezug auf die vorhergesagten und beobachteten AQI-Werte sehr konsistent. Dies stützt die Schlussfolgerung, dass das mit dem RF-Algorithmus erstellte Regressionsmodell bei der Vorhersage des AQI-Werts gut funktioniert.

Die empirischen Ergebnisse zeigen, dass die vorhergesagten Werte sowohl des SARIMA-Modells als auch des RF-Modells effektiv mit dem mit den tatsächlichen Werten verbundenen Trend übereinstimmen und einen effektiven Maßstab für Skalenvorhersagen bilden. Kriterien zur Bewertung der Modellgenauigkeit wurden verwendet, um den Anpassungseffekt der beiden Modelle zu vergleichen. Die Ergebnisse sind in Online-Ressource 4 dargestellt. Der MAPE des RF-Modells und des SARIMA-Modells beträgt 0,0228 bzw. 0,0951. Die Werte für die Anpassungsgüte betragen 0,976 bzw. 0,662 für RF und SARIMA; und die RMSE-Werte betragen 2,288 bzw. 8,395 für RF und SARIMA. Basierend auf diesen Metriken bietet das RF-Modell im Vergleich zum SARIMA-Modell eine höhere Vorhersagegenauigkeit, Fehlerrate und Zuverlässigkeit. Dies weist darauf hin, dass der Random-Forest-Regressionsalgorithmus bei der Analyse der Auswirkung jeder Schadstoffkonzentration auf die Luftqualität und bei der genauen Vorhersage des AQI-Index anhand der Schadstoffkonzentration wirksam ist. Die Gültigkeits- und Machbarkeitsniveaus des RF-Modells stimmen mit statistischen Gesetzen überein und haben praktische Bedeutung.

Langfristige Vorhersagen helfen bei der Analyse der Luftqualitätstrends und -muster aus makroskopischer Sicht. Nachdem die Machbarkeit und Gültigkeit der beiden Modelle überprüft wurde, wendet diese Studie daher das Zufallswaldmodell an, um langfristige Prognosen des AQI und der Konzentrationen der sechs Studienschadstoffe zu entwickeln. Die Prognoseergebnisse deuten darauf hin, dass der Durchschnittswert des AQI in den nächsten zehn Jahren voraussichtlich 51,09 betragen wird, mit einem Mindestwert von 29,48 und einem Höchstwert von 137,84. Dies entspricht einem Rückgang im Vergleich zum durchschnittlichen AQI von 64,99 von 2014 bis 2022 und einem leichten Anstieg im Vergleich zum Mindestwert von 29,21 für 2014–2022 und einem leichten Rückgang im Vergleich zum Höchstwert von 161,88 für 2014–2022. Im Vergleich zu 2020 wird der durchschnittliche AQI-Wert für chinesische Städte im Jahr 2032 voraussichtlich um 17,84 sinken. Es wird erwartet, dass die mittleren Konzentrationen von PM2,5, PM10, NO2, O3, SO2 und CO um 17,08 μg m-3, 56,57 μg m-3, 17,64 μg m-3, 47,04 μg m-3 und 7,75 μg m-3 sinken 3 bzw. 0,45 mg m−3. Von diesen dürften PM10, NO2 und Ozon am deutlichsten zurückgehen. Die Prognoseergebnisse deuten darauf hin, dass sich die durchschnittliche Luftqualität in chinesischen Städten in Zukunft voraussichtlich weiter verbessern wird. Dies steht auch im Einklang mit den Bemühungen der Regierung und der Bevölkerung, die Luftqualität zu verbessern und die Luftverschmutzung zu kontrollieren. Die Prognosen deuten auch darauf hin, dass der starke Rückgang der Schadstoffkonzentrationen, insbesondere im Hinblick auf Aerosol-Feinstaub, zu einer Verringerung der Kühlwirkung von Feinstaub führen kann. Dies könnte die erwartete Eindämmung der globalen Erwärmung behindern. Daher wäre es angemessener, koordinierte Maßnahmen zur Emissionsreduzierung umzusetzen, die sowohl auf Treibhausgase als auch auf Luftschadstoffe abzielen, um das Ziel der Reduzierung der globalen Emissionen zu erreichen.

Dies ist eine Beobachtungsstudie.

Alle Autoren haben die in den Anweisungen für Autoren enthaltene Erklärung zur „Ethischen Verantwortung der Autoren“ gelesen, verstanden und gegebenenfalls eingehalten und sind sich bewusst, dass mit geringfügigen Ausnahmen nach Einreichung der Studie keine Änderungen an der Autorenschaft vorgenommen werden können.

Diese Forschung untersucht die zeitlichen und räumlichen Verteilungseigenschaften von AQI und sechs Hauptschadstoffen mithilfe statistischer Analyse- und Korrelationsanalysemethoden sowie zeitbasierter Luftqualitätsüberwachungsdaten für 388 Städte in 31 Provinzen Chinas von 2014 bis 2022. Die zukünftige Luftqualität von Chinesische Städte werden mithilfe des SARIMA- und Random-Forest-Modells vorhergesagt. Es gab drei zentrale Studienergebnisse:

Über die Studienjahre hinweg ist insgesamt ein erheblicher Abwärtstrend beim AQI-Wert und der Schadstoffkonzentration in chinesischen Städten zu verzeichnen. Der AQI weist einen „U“-förmigen monatlichen Trend auf, der im Winter hoch ist und im Frühling abnimmt und im Sommer niedrig ist und im Herbst zunimmt. Im Sommer ist die Luftqualität im Allgemeinen am besten, im Winter ist sie im Allgemeinen am schlechtesten (der Schadstoff O3 zeigt den gegenteiligen Trend). Die Luftqualität in chinesischen Städten ist räumlich so verteilt, dass sie im Südosten niedrig, im Nordwesten hoch, an der Küste niedrig und im Landesinneren hoch ist.

Die Ergebnisse zeigen, dass PM2,5 und PM10 die Hauptschadstoffe in den Provinzen und Städten Chinas mit der schlechtesten Luftqualität sind. Provinz- und Kommunalbehörden sollten den SO2-, CO- und NO2-Emissionen große Aufmerksamkeit schenken und sich gleichzeitig auf die Vermeidung und Reduzierung der PM2,5- und PM10-Schadstoffemissionen in der Luft konzentrieren. Maßnahmen zur Kontrolle der Umweltverschmutzung sollten dem Grundsatz „Präventionsorientiert, kombiniert mit Prävention und Kontrolle“ folgen, um die Aufrechterhaltung und kontinuierliche Verbesserung der Luftqualität zu fördern. Diese Schadstoffe werden hauptsächlich durch Emissionen aus der Verbrennung fossiler Brennstoffe verursacht. Um die Luftverschmutzung zu mindern und zu kontrollieren, sollten Städte daher regionale Minderungsstrategien einführen, um die Luftverschmutzung auf koordinierte Weise anzugehen. Es ist unwahrscheinlich, dass die von einer einzelnen Stadt ergriffenen Maßnahmen zur Vermeidung und Kontrolle der Luftverschmutzung in einer regionalen Ansammlung stark verschmutzter Städte wirksam sind. Dies unterstreicht, dass die Luftverschmutzungsbekämpfung nicht auf eine einzelne Stadt beschränkt sein sollte und dass ein gemeinsamer Ansatz zur Vermeidung und Kontrolle der Luftverschmutzung in allen Verwaltungsregionen erforderlich ist. Letztendlich ist ein internationales System zur Vermeidung und Bewältigung der Luftverschmutzung erforderlich.

Diese Studie bewertet die Bedeutung von sechs signifikanten Schadstoffvariablen für den AQI mithilfe des Random-Forest-Modells. Die Ergebnisse zeigen, dass PM10 und PM2,5 weiterhin die beiden Schadstoffindikatoren mit dem kritischsten Einfluss auf den AQI sind. Dies steht im Einklang mit den Ergebnissen der Korrelationsanalyse. Die Vorhersage des zukünftigen AQI ist ein komplexes multivariates nichtlineares Problem, und sowohl das SARIMA- als auch das RF-Modell können den AQI besser vorhersagen als andere Modelle. Die Vorhersagegenauigkeit des RF-Modells ist von beiden höher, und die historischen Momentkonzentrationsvariablen der sechs Schadstoffe können höher sein geeignet als die AQI-Variablen für die Luftqualitätsvorhersage in Bezug auf den Modelltrainingssatz. Die Erfahrung hat gezeigt, dass Umweltschutzmaßnahmen wie Straßenbewässerung und ein Verbot des Anzündens von Feuerwerkskörpern grobe Partikel wirksam bekämpft und Partikelkonzentrationen wie PM10 und PM2,5 erfolgreich reduziert haben. Es ist auch weitgehend anerkannt, dass NO2, CO und SO2 im Allgemeinen aus der Kraftstoffzündung und Fahrzeugabgasen stammen. In der Zukunft könnte die Verringerung dieser Schadstoffkonzentrationen das allgemeine Engagement in Bezug auf Energieeinsparungen und Ansätze zur Emissionsreduzierung widerspiegeln, beispielsweise die Förderung neuer Energiefahrzeuge in städtischen Gemeinden in den nächsten zehn Jahren.

Die statistischen Analyse- und Modellierungsmethoden dieser Studie sind von entscheidender Bedeutung für Studien über die räumlichen und zeitlichen Entwicklungsmerkmale der Luftqualität und zukünftige Vorhersagen. Allerdings gibt es nach wie vor viele Mängel und Bereiche, die einer weiteren Forschung bedürfen. Bei der Modellierung der AQI-Einflussfaktoranalyse berücksichtigte diese Studie nicht den Einfluss meteorologischer Elemente, des zukünftigen wirtschaftlichen Entwicklungsniveaus, der Industriestruktur, der Bevölkerungsveränderung und einer Reihe politischer Interventionen. Folgestudie sollte den Einfluss weiterer Faktoren auf die Luftqualität in China berücksichtigen. Darüber hinaus ist die Anwendung eines statistisch basierten Ansatzes als aktives Forschungsthema erforderlich, um den Zusammenhang zwischen Schadstoffkonzentrationen und AQI herzustellen und die Luftqualität in zukünftigen Zeiträumen vorherzusagen. Statistische Methoden basieren im Wesentlichen auf historischen Daten, um Prognosen zu erstellen; Als solche haben sie einen erheblichen Vorteil bei der Mehrfrequenz-Kurzfristvorhersage, da der Rechenaufwand statistischer Methoden um mehrere Größenordnungen geringer ist als der für numerische Methoden erforderliche. Der Nachteil des statistischen Ansatzes besteht jedoch darin, dass eine große Menge historischer Luftqualitätsdaten als Grundlage für das Modelltraining zur Verbesserung der Vorhersagegenauigkeit erforderlich ist. Mit dem Aufkommen des Big-Data-Zeitalters werden traditionelle Regressionsmodelle obsolet und maschinelles Lernen – ein interdisziplinäres Gebiet der Statistik und Informatik – floriert aufgrund der zunehmenden Rechenleistung. Studien wie die Arbeit von Feng et al. zur Verwendung von Wavelet-Transformation und künstlichen neuronalen Netzen zur Vorhersage von PM2,5 unterstreichen das Potenzial der Kombination physikalischer Modelle und maschinellen Lernens bei der Vorhersage der Luftqualität30. Der Random-Forest-Algorithmus ist ein bekannter Algorithmus für maschinelles Lernen, der sich voraussichtlich weiterentwickeln und zu einem heißen Thema bei der Optimierung von Big-Data-Verarbeitungsalgorithmen werden wird.

Abschließend ist festzuhalten, dass abnehmende Schadstoffkonzentrationen, insbesondere die Massenkonzentration von Aerosolpartikeln (PM), die Kühlwirkung des Feinstaubs verringern können. Dies kann die Gesamtbemühungen zur Eindämmung der globalen Erwärmung erschweren. Dennoch ist die Temperaturveränderung, die durch den plötzlichen Rückgang der Schadstoffkonzentration verursacht wird, relativ gering und es ist dringend erforderlich, Treibhausgase und Luftverschmutzung auf der ganzen Welt zu reduzieren.

Die für diese Studie analysierten Datensätze befinden sich in der nationalen Echtzeit-Freigabeplattform für die Luftqualität in Städten der China General Environmental Monitoring Station. [https://air.cnemc.cn:18007/].

Abulude, FO et al. Luftqualitätsindex: Ein Fall einer eintägigen Überwachung in 253 nigerianischen Stadt- und Vorortstädten. J. Geovis. Spuckte. Anal. 6(1), 1–13. https://doi.org/10.1007/s41651-022-00100-6 (2022).

Artikel Google Scholar

Mohan, M. & Kandya, A. Eine Analyse der jährlichen und saisonalen Trends des Luftqualitätsindex von Delhi. Umgebung. Überwachen. Bewerten. 131(1), 267–277. https://doi.org/10.1007/s10661-006-9474-4 (2007).

Artikel CAS PubMed Google Scholar

Moscoso-López, JA et al. Stündliche Schadstoffprognose mithilfe eines Deep-Learning-Ansatzes zur Ermittlung des AQI. Logik J. IGPL https://doi.org/10.1093/jigpal/jzac035 (2022).

Artikel Google Scholar

Peng, J. et al. Raumzeitliche Muster der ferngesteuerten PM2,5-Konzentration in China von 1999 bis 2011. Remote Sens. Environ. 174, 109–121. https://doi.org/10.1016/j.rse.2015.12.008 (2016).

Artikel ADS Google Scholar

Xu, W. et al. Verständnis der räumlich-zeitlichen Muster und Einflussfaktoren auf den Luftqualitätsindex: Der Fall Nordchina. Int. J. Umgebung. Res. Gesundheitswesen. 16(16), 2820. https://doi.org/10.3390/ijerph16162820 (2019).

Artikel PubMed PubMed Central Google Scholar

Hu, J. et al. Charakterisierung der Luftverschmutzung durch mehrere Schadstoffe in China: Vergleich von drei Luftqualitätsindizes. Umgebung. Int. 84, 17–25. https://doi.org/10.1016/j.envint.2015.06.014 (2015).

Artikel CAS PubMed Google Scholar

Saif-ul-Allah, MW et al. Gated Recurrent Unit gekoppelt mit Projektion auf Modellebenenimputation für die PM2,5-Vorhersage für die Stadt Guangzhou, China. Vorderseite. Umgebung. Wissenschaft. 9, 753. https://doi.org/10.3389/fenvs.2021.816616 (2022).

Artikel Google Scholar

Zhang, XT, Liu, XH, Su, CW & Umar, M. Gibt es in China eine asymmetrische Persistenz bei der Konvergenz des Luftqualitätsindex (AQI)? Umgebung. Wissenschaft. Umweltverschmutzung. Res. 27(29), 36541–36569. https://doi.org/10.1007/s11356-020-09498-2 (2020).

Artikel Google Scholar

Gao, H. et al. Analyse der Luftqualitätsveränderungen und Einflussfaktoren in Changchun während der COVID-19-Pandemie im Jahr 2020. Aerosol. Luftqualität. Res. 21(9), 210055. https://doi.org/10.4209/aaqr.210055 (2021).

Artikel CAS Google Scholar

Zhao, H., Niu, Z. & Feng, X. Faktoren, die Verbesserungen der Luftqualität in Guanzhong-Städten in China beeinflussen, und deren Schwankungen für 2014–2020. Stadtklima. 38, 100877 (2021).

Artikel Google Scholar

Li, X., Lin, X. & Wang, D. Merkmale der räumlich-zeitlichen Entwicklung und Einflussfaktoren der städtischen Luftqualität in China. J. Xi'an Univ. Technol. 38(04), 487–499 (2022).

Google Scholar

Li, Y., Chiu, YH & Lu, LC Energy und AQI-Leistung von 31 Städten in China. Energiepolitik 122, 194–202. https://doi.org/10.1016/j.enpol.2018.07.037 (2018).

Artikel CAS Google Scholar

Qi, H., Wang, X. & Cheng, Sh. Quantitative Analyse der Auswirkungen anthropogener Emissionen und meteorologischer Faktoren auf die Luftqualität: Fälle während der Epidemie in der Stadt Xingtai. China-Umgebung. Wissenschaft. 42(8), 3512–3521 (2022).

CAS Google Scholar

Pan, Ch. et al. Einfluss anthropogener und meteorologischer Faktoren auf die Luftqualität in verschiedenen Städten. Umgebung. Wissenschaft. Technol. 45(9), 126–135 (2022).

Google Scholar

Ji, M. et al. Raumzeitliche Beziehungen zwischen Luftqualität und mehreren meteorologischen Parametern in 221 chinesischen Städten. Komplexität 2020, 1–25. https://doi.org/10.1155/2020/6829142 (2020).

Artikel ADS Google Scholar

Wu, W. et al. Analyse von Faktoren, die die Luftqualität in verschiedenen Zeiträumen während COVID-19 beeinflussen: Eine Fallstudie aus Tangshan, China. Int. J. Umgebung. Res. Public Health 20(5), 4199. https://doi.org/10.3390/ijerph20054199 (2023).

Artikel CAS PubMed PubMed Central Google Scholar

Lin, XQ & Wang, D. Räumlich-zeitliche Variationen und sozioökonomische Triebkräfte der Luftqualität in chinesischen Städten. Acta Geogr. Sünde. 71(8), 1357–1371 (2016).

Google Scholar

Xiao, Y. et al. Studie zu den raumzeitlichen Merkmalen und sozioökonomischen Antriebsfaktoren der Luftverschmutzung in China. Ökologisch. Umgebung. Wissenschaft. 27(3), 518–526. https://doi.org/10.16258/j.cnki.1674-5906.2014.03.016 (2018).

Artikel Google Scholar

Zhen-fang, H. et al. Räumlich-zeitliche Variationsmerkmale der Luftverschmutzung und Einflussfaktoren in der Provinz Hebei. J. Nat. Ressource. 36(2), 411–419 (2021).

Google Scholar

Zhu, R., Zhang, CJ & Mei, M. Die Klimaeigenschaften des atmosphärischen Selbstreinigungsfähigkeitsindex und seine Anwendung in China. China-Umgebung. Wissenschaft. 38(10), 3601–3610. https://doi.org/10.3969/j.issn.1000-6923.2018.10.001 (2018).

Artikel Google Scholar

Zhou, GQ et al. WRF-Chem-basierte PM2,5-Prognose und Bias-Analyse für die Region Ostchina. China-Umgebung. Wissenschaft. 36(8), 2251–2259. https://doi.org/10.3969/j.issn.1000-6923.2016.08.002 (2016).

Artikel Google Scholar

Zhou, W. et al. Prädiktive Analyse der Luftqualitätsindikatoren im Jangtse-Delta in China: Eine Anwendung eines neuartigen saisonalen Graumodells. Wissenschaft. Gesamtumgebung. 748, 141428. https://doi.org/10.1016/j.scitotenv.2020.141428 (2020).

Artikel CAS PubMed ADS Google Scholar

Liu, H. et al. Luftqualitätsindex und Luftschadstoffkonzentrationsvorhersage basierend auf maschinellen Lernalgorithmen. Appl. Wissenschaft. 9(19), 4069. https://doi.org/10.3390/app9194069 (2019).

Artikel CAS Google Scholar

Sekhar, SR et al. Identifizierung und Analyse der Stickstoffdioxidkonzentration zur Vorhersage der Luftqualität mithilfe saisonaler Autoregression, integriert mit gleitendem Durchschnitt. Aerosol. Wissenschaft. Ing. 4(2), 137–146. https://doi.org/10.1007/s41810-020-00061-7 (2020).

Artikel Google Scholar

Lang, L. et al. Raumzeitliche Eigenschaften von Luftschadstoffen in fünf Grenzstädten der Provinz Yunnan: Variationen. China-Umgebung. Wissenschaft. 42(11), 5008–5015 (2022).

Google Scholar

An, JL et al. Analyse der Beziehung zwischen NO-, NO2- und O3-Konzentrationen in Peking. Huan Jing ke Xue = Huanjing Kexue 28(4), 706–711 (2007).

CAS PubMed Google Scholar

Heidarinejad, Z. et al. Daten zur Bewertung des AQI für verschiedene Jahreszeiten in Kerman, Iran, 2015. Data Brief 20, 1917–1923 (2018).

Artikel PubMed PubMed Central Google Scholar

Fang, L. et al. Auswirkungen der Ozonkonzentration auf Besuche wegen allergischer Hauterkrankungen im Sommer in Hefei von 2015 bis 2018. Chin J Dis Control Prev 26(6), 709–714 (2022).

Google Scholar

Wan, Q. et al. Räumlich-zeitliche Entwicklung und Konvergenztrend der Luftqualität in Chinas städtischen Ballungsräumen. Wissenschaft. Geograph. Sünde. 42(11), 1943–1953 (2022).

Google Scholar

Feng, X. et al. Künstliche neuronale Netze prognostizieren die PM2,5-Verschmutzung mithilfe eines auf Luftmassenbahnen basierenden geografischen Modells und Wavelet-Transformation. Atmosphäre. Umgebung. 107, 118–128 (2015).

Artikel CAS ADS Google Scholar

Referenzen herunterladen

Die Autoren danken dem Herausgeber und den anonymen Gutachtern für ihre wertvollen Kommentare und Vorschläge zur Verbesserung dieser Studie.

Die Autoren erklären, dass während der Erstellung dieses Manuskripts keine Gelder, Zuschüsse oder sonstige Unterstützung erhalten wurden.

Mathematische Abteilung, Tibet-Universität, Lhasa, Tibet, Volksrepublik China

Yuanfang Du & Tsering-xiao Basang

Fakultät für Wirtschaft und Management, Universität Wuhan, Wuhan, Hubei, China

Yuanfang Du, Shibing You & Miao Zhang

School of Economics, Jiangxi University of Finance and Economics, Nanchang, Jiangxi, Volksrepublik China

Weisheng Liu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

YD führte die Analyse der Bedingungen durch und verfasste das Manuskript; SY hat die Studie initiiert; T.-xB hat die numerische Simulation durchgeführt und Korrektur gelesen; MZ war an der Prüfung und dem Korrekturlesen der Studie beteiligt; und WL koordinierte die Datenerhebung. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Yuanfang Du oder Tsering-xiao Basang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Du, Y., You, S., Liu, W. et al. Raumzeitliche Entwicklungsmerkmale und Vorhersageanalyse der städtischen Luftqualität in China. Sci Rep 13, 8907 (2023). https://doi.org/10.1038/s41598-023-36086-4

Zitat herunterladen

Eingegangen: 06. Februar 2023

Angenommen: 29. Mai 2023

Veröffentlicht: 01. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-36086-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.