Predicción de la Concentración Numérica de Bioaerosoles Atmosféricos Basada en el Algoritmo de Fusión PKO-AGA-SVM y Telemetría de Lidar de Fluorescencia
Autores: Rao, Zhimin; Li, Yicheng; Mao, Jiandong; Zhao, Hu; Gong, Xin
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Bioaerosol atmosférico
Lidar de fluorescencia
Modelo de predicción
Algoritmo de fusión
Parámetros ambientales
Error relativo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 13
Citaciones: Sin citaciones
Con el fin de realizar una predicción de alerta temprana de las características de distribución del contenido de bioaerosoles atmosféricos, este documento propone utilizar lidar de fluorescencia como medio técnico para establecer un modelo de predicción de la concentración de bioaerosoles atmosféricos al obtener el conjunto de datos de observación de la concentración de bioaerosoles, combinándolo con el conjunto de datos de parámetros ambientales atmosféricos relacionados con el contenido de bioaerosoles y utilizando el algoritmo de fusión PKO-AGA-SVM. El modelo entrenado se utilizó luego para predecir la concentración de bioaerosoles atmosféricos y se comparó con la concentración de bioaerosoles detectada por lidar de fluorescencia para analizar el error relativo del modelo en la predicción de la concentración de número de bioaerosoles con diferentes algoritmos, así como la concentración de número de bioaerosoles en diferentes niveles de contaminación de la calidad ambiental atmosférica. Los resultados experimentales muestran que la predicción del modelo utilizando el algoritmo de fusión PKO-AGA-SVM es mejor que los algoritmos SVM, AGA-SVM y PKO-SVM, con errores relativos medios de 25.79, 20.75, 16.93 y 11.57%, respectivamente. Luego, se introdujeron datos ambientales con diferentes niveles de contaminación para experimentos de predicción del modelo, y los resultados muestran que el error relativo medio de la predicción fue del 12.75% cuando la calidad del aire era excelente, el error relativo medio de la predicción fue del 13.01% cuando la calidad del aire era buena, el error medio de la predicción fue del 10.53% cuando la calidad del aire estaba levemente contaminada, y el error medio de la predicción fue del 13.72% cuando la calidad del aire estaba moderadamente contaminada. Cuando la calidad del aire estaba gravemente contaminada, el error medio de predicción fue del 11.83%. Los resultados experimentales muestran que el modelo de predicción tiene alta precisión y estabilidad bajo diferentes condiciones atmosféricas, lo que puede proporcionar un nuevo enfoque de investigación y apoyo técnico para el sistema de alerta temprana de la concentración de bioaerosoles atmosféricos.
Descripción
Con el fin de realizar una predicción de alerta temprana de las características de distribución del contenido de bioaerosoles atmosféricos, este documento propone utilizar lidar de fluorescencia como medio técnico para establecer un modelo de predicción de la concentración de bioaerosoles atmosféricos al obtener el conjunto de datos de observación de la concentración de bioaerosoles, combinándolo con el conjunto de datos de parámetros ambientales atmosféricos relacionados con el contenido de bioaerosoles y utilizando el algoritmo de fusión PKO-AGA-SVM. El modelo entrenado se utilizó luego para predecir la concentración de bioaerosoles atmosféricos y se comparó con la concentración de bioaerosoles detectada por lidar de fluorescencia para analizar el error relativo del modelo en la predicción de la concentración de número de bioaerosoles con diferentes algoritmos, así como la concentración de número de bioaerosoles en diferentes niveles de contaminación de la calidad ambiental atmosférica. Los resultados experimentales muestran que la predicción del modelo utilizando el algoritmo de fusión PKO-AGA-SVM es mejor que los algoritmos SVM, AGA-SVM y PKO-SVM, con errores relativos medios de 25.79, 20.75, 16.93 y 11.57%, respectivamente. Luego, se introdujeron datos ambientales con diferentes niveles de contaminación para experimentos de predicción del modelo, y los resultados muestran que el error relativo medio de la predicción fue del 12.75% cuando la calidad del aire era excelente, el error relativo medio de la predicción fue del 13.01% cuando la calidad del aire era buena, el error medio de la predicción fue del 10.53% cuando la calidad del aire estaba levemente contaminada, y el error medio de la predicción fue del 13.72% cuando la calidad del aire estaba moderadamente contaminada. Cuando la calidad del aire estaba gravemente contaminada, el error medio de predicción fue del 11.83%. Los resultados experimentales muestran que el modelo de predicción tiene alta precisión y estabilidad bajo diferentes condiciones atmosféricas, lo que puede proporcionar un nuevo enfoque de investigación y apoyo técnico para el sistema de alerta temprana de la concentración de bioaerosoles atmosféricos.