Características de la evolución espaciotemporal y análisis de predicción de la calidad del aire urbano en China.

Scientific Reports volumen 13, número de artículo: 8907 (2023) Citar este artículo

440 Accesos

Detalles de métricas

Para describir las características de las variaciones espaciotemporales y las tendencias futuras de la calidad del aire urbano en China, este estudio evalúa las características de la evolución espaciotemporal y los vínculos entre el índice de calidad del aire (ICA) y seis indicadores primarios de contaminación, utilizando datos de monitoreo de la calidad del aire de 2014 a 2022. Se crean modelos autorregresivos de media móvil integrada (SARIMA) y de bosque aleatorio (RF) para pronosticar la calidad del aire. (1) Los hallazgos del estudio indican que los niveles de contaminación y los valores del índice de calidad del aire en las ciudades chinas disminuyen anualmente, siguiendo un patrón en forma de “U” con una variación mensual. Los niveles de contaminantes son altos en invierno y bajos en primavera, bajos en verano y crecientes en otoño (O3 muestra lo contrario). (2) La distribución espacial de la calidad del aire en las ciudades chinas es baja en el sureste y alta en el noroeste, baja en las zonas costeras y más alta en las zonas del interior. Los coeficientes de correlación entre el ICA y las concentraciones de contaminantes son los siguientes: partículas finas (PM2.5), partículas inhalables (PM10), monóxido de carbono (CO), dióxido de nitrógeno (NO2), dióxido de azufre (SO2) y ozono ( O3) los valores están correlacionados en 0,89, 0,84, 0,54, 0,54, 0,32 y 0,056, respectivamente. (3) En términos de predicciones de AQI a corto plazo, el modelo RF funciona mejor que el modelo SARIMA. El pronóstico a largo plazo indica que se espera que el valor promedio del ICA en las ciudades chinas disminuya en 0,32 puntos en 2032 en comparación con el nivel de 52,95 de 2022. Este estudio tiene cierta importancia orientadora para el análisis y la predicción de la calidad del aire urbano.

Durante más de 30 años, desde la Reforma y Apertura hasta la primera década del siglo XXI, la economía de China ha seguido creciendo a un ritmo elevado. Sin embargo, esto se ha producido a costa de problemas medioambientales cada vez más graves. La contaminación del aire es uno de los problemas ambientales más importantes en China. Por ejemplo, en 2010, las emisiones nacionales de dióxido de azufre fueron 21,851 millones de toneladas, las emisiones de óxido de nitrógeno fueron 18,254 millones de toneladas, las emisiones de hollín fueron 8,291 millones de toneladas y las emisiones de polvo industrial fueron 4,487 millones de toneladas. En este contexto, el Ministerio de Ecología y Medio Ambiente de la República Popular China publicó los “Estándares de calidad del aire ambiente” recientemente revisados ​​en 2012 y el “Reglamento técnico para la evaluación de la calidad del aire ambiente (en prueba)” en 2013. Las principales sustancias que impactan el aire calidad incluyen tanto contaminantes de vida corta (como PM2,5 y O3) como gases de efecto invernadero de vida larga (como CO2 y CH4). Ambos se generan a través del consumo de energía y deben tratarse de manera coordinada. De hecho, desde el énfasis inicial en la protección ambiental en la Constitución de la República Popular China en 1978, China ha implementado una serie de medidas para abordar la contaminación del aire y mejorar las políticas de prevención y control de la contaminación del aire. En 2013, se publicó el “Plan de acción para la prevención y el control de la contaminación del aire” (“Diez artículos atmosféricos”), que establece objetivos de gobernanza y proporciona orientación. También se han fortalecido los mecanismos de cooperación regional para coordinar la gobernanza ambiental. El gobierno ha emitido sucesivamente políticas como el “Plan de acción trienal para ganar la batalla por el cielo azul”, los “Puntos clave del trabajo nacional de prevención y control de la contaminación del aire de 2019”, el “Decimocuarto Plan Nacional Quinquenal de Implementación de una Producción Más Limpia” y la meta de la visión para 2035. En el XX Congreso Nacional del Partido Comunista de China (PCC), se introdujeron los conceptos de coexistencia armoniosa entre los seres humanos y la naturaleza y desarrollo verde para abordar la creciente demanda pública de protección ambiental. Estos objetivos resaltan la necesidad de evaluar la calidad del aire ambiente; estudiar los cambios en la calidad del aire urbano y las características de distribución espacial-temporal de los contaminantes del aire; y predecir la futura calidad del aire ambiental. Los conocimientos resultantes pueden orientar al público sobre la adopción de medidas preventivas para evitar la contaminación del aire y pueden proporcionar una base teórica importante para que los departamentos gubernamentales pertinentes lleven a cabo políticas de prevención y control. Estas medidas ayudarían a China a responder activamente a la contaminación del aire, en lugar de simplemente monitorearla pasivamente.

El tema del monitoreo, evaluación y predicción de las condiciones de la calidad del aire ambiente ha sido de gran interés entre los académicos de todo el mundo1,2,3. La investigación sobre la calidad del aire en China se centra principalmente en tres áreas. La primera área de investigación incluye estudios de calidad del aire a diferentes escalas y en regiones específicas. Por ejemplo, los estudios han analizado las características de variación interanual de la calidad del aire en el centro y este de China4, en ciudades típicas del norte5 y en pueblos típicos del norte y sur del país6,7. Los estudios también han considerado las variaciones interanuales en la calidad del aire8, han comparado los niveles de calidad del aire urbano-rural y han analizado las variaciones en la calidad del aire durante festivales y eventos importantes. La segunda área de investigación se centra en los factores que influyen en la calidad del aire. Estos factores son complejos e incluyen factores contaminantes9,10, densidad de población11, energía12, factores antropogénicos13,14, elementos meteorológicos15,16 y factores socioeconómicos17,18. Él y otros. realizó un estudio utilizando AQI, factores meteorológicos y datos socioeconómicos. Ese estudio encontró que las condiciones climáticas eran las principales causas de la contaminación del aire en la provincia de Hebei, mientras que las emisiones antropogénicas eran los principales factores que contribuían a la contaminación atmosférica grave en la misma región19. La tercera área de investigación implica el análisis de la predicción de la calidad del aire, centrándose en tres tipos principales de métodos: pronósticos latentes20, pronósticos numéricos21 y pronósticos estadísticos22,23,24. El pronóstico estadístico predice tendencias futuras mediante el análisis de patrones estadísticos de información de entrada y salida relacionada con la contaminación del aire. Este enfoque ha llamado la atención de muchos investigadores debido a sus características rápidas y sencillas. Finalmente, el algoritmo integrado Random Forest (RF) es un nuevo paradigma de aprendizaje automático y se ha vuelto popular debido a sus ventajas de buena robustez y alta precisión de predicción.

Los modelos y métodos utilizados en estudios anteriores sobre las características de la evolución espaciotemporal de la calidad del aire urbano en China son relativamente maduros. Sin embargo, pocos estudios han analizado y predicho la calidad del aire en múltiples ciudades de China y durante períodos de observación más largos. Además, investigaciones anteriores se centraron principalmente en predecir valores de ICA en momentos históricos específicos, pero no incorporaron valores de concentración históricos de los seis principales contaminantes en su análisis de predicción. Para abordar este tema, este estudio analiza el ICA diario y los datos sobre seis contaminantes atmosféricos importantes desde mayo de 2014 hasta agosto de 2022 para 388 ciudades importantes en 31 provincias de China. El estudio analiza las características de la distribución espacial y temporal de la calidad del aire en las ciudades chinas, las tendencias cambiantes y la correlación entre los principales contaminantes con efectos significativos. Además, los valores históricos de AQI y las concentraciones de los seis principales contaminantes del aire se utilizaron como variables independientes para establecer modelos SARIMA y RF y predecir el desarrollo futuro de indicadores relacionados con la calidad del aire urbano en China. Los resultados del estudio proporcionan una base científica para los departamentos relevantes de monitoreo del medio ambiente atmosférico y control de la contaminación del aire y pueden ayudar a informar medidas para mejorar la calidad del aire en el futuro.

Los datos de calidad del aire utilizados en este estudio provienen de la Estación General de Monitoreo Ambiental de China, una plataforma que publica datos nacionales sobre la calidad del aire urbano en tiempo real. Para el análisis y modelado de este estudio se utiliza un total de 1.050.590 puntos de datos diarios sobre la calidad del aire, que representan datos desde el 13 de mayo de 2014 hasta el 27 de agosto de 2022, para 388 ciudades importantes en 31 regiones administrativas a nivel provincial en China (excluidos Hong Kong, Macao y y Taiwán) en China. Los datos disponibles incluyen el AQI y las concentraciones de O3, PM2,5, PM10, SO2, NO2 y CO. El AQI es un indicador integral esencial que refleja el nivel de calidad del aire de una ciudad. Se calcula utilizando la concentración de seis contaminantes principales y se correlaciona con la creciente gravedad de la contaminación del aire. En otras palabras, valores de ICA más altos indican niveles más altos de contaminación del aire, y valores de ICA más pequeños indican niveles de contaminación del aire más bajos. Los niveles de ICA se dividen en seis grados, según las Disposiciones Técnicas sobre el Índice de Calidad del Aire Ambiental (para prueba): excelente (0–50), bueno (51–100), contaminación leve (101–150), contaminación media (151 –200), contaminación intensa (201–300) y contaminación grave (301–500).

Este estudio se centra en examinar las características y tendencias de la variación espaciotemporal del AQI utilizando datos diarios en tiempo real y que varían en el tiempo. Primero, los datos se clasifican y resumen utilizando el software de análisis estadístico PYTHON (Jupyter Notebook 6.3.0). Los valores faltantes se reemplazan utilizando los datos promedio de las ciudades correspondientes.

El análisis de correlación se utiliza ampliamente para analizar los problemas de calidad del aire y los estudios han demostrado que este enfoque puede identificar eficazmente los factores clave que influyen en el clima brumoso y las concentraciones elevadas de PM2,5. Por lo tanto, este estudio utiliza el análisis de correlación para investigar la correlación entre el AQI y los seis principales indicadores de concentración de contaminantes, con el objetivo de explorar las causas de estas correlaciones basándose en estudios extensos. Además, este estudio también proporciona un análisis estadístico descriptivo de las variaciones anuales y estacionales de la calidad del aire urbano en China y las características de distribución provincial y municipal. Esto proporciona una base para predicciones posteriores.

El análisis de la descomposición de series temporales revela que los datos mensuales sobre indicadores relacionados con la contaminación del aire en las principales ciudades chinas muestran fluctuaciones estacionales y de largo plazo. Además, los seis indicadores de concentración de contaminantes están significativamente correlacionados con los valores del AQI de ciudades importantes de China. También puede haber correlaciones entre los seis principales contaminantes. Esto indica que existe multicolinealidad entre todos los factores. Esto no satisface la condición de independencia mutua, lo que hace inapropiado el análisis de regresión lineal directa. Para abordar este problema, este estudio aplica series de tiempo y modelos de regresión forestal aleatoria para analizar y predecir el AQI para abordar si se viola la condición de independencia mutua para el conjunto de datos. Primero, el modelo SARIMA se establece en base a las características de los datos de AQI anteriores, con el objetivo de predecir los datos de AQI en 2022.

La forma general del modelo SARIMA es \(SARIMA(p,d,q)(P,D,Q)^{s}\), expresada como:

donde \(y_{t}\) es la serie de tiempo; \(\mu_{t}\) es un término aleatorio; \(\Phi_{P} (L)\) denota el polinomio característico autorregresivo; p denota el retraso máximo autorregresivo; \(\Theta_{q} (L)\) denota el polinomio característico de media móvil; y q denota el retraso máximo de la media móvil. El término \(A_{P} (L^{s} )\) es el polinomio característico autorregresivo estacional; s denota la duración del período estacional; P denota el rezago máximo autorregresivo estacional; \(B_{Q} (L^{s} )\) denota el polinomio característico del promedio móvil estacional; Q denota el retraso máximo de la media móvil; yd denota el orden integral único no estacional, que es la diferencia entera única. El término \(\Delta_{s}^{D} y_{t}\) denota la diferencia estacional multiplicada por D, y D denota el orden del término estacional, que representa la diferencia estacional.

Investigaciones teóricas y empíricas anteriores han demostrado que los valores del ICA en las ciudades chinas tienen claras interacciones espaciales y temporales. La magnitud de los valores del ICA está influenciada por las interacciones espaciales y por el efecto acumulativo de las concentraciones históricas de contaminantes a lo largo del tiempo. Este estudio establece un modelo de regresión forestal aleatorio para predecir el ICA desde una perspectiva no lineal, combinando diferentes factores de impacto de los contaminantes a lo largo del tiempo y utilizando los seis indicadores de concentración de contaminantes en momentos históricos como variables independientes.

El algoritmo de bosque aleatorio es un modelo combinatorio que consta de árboles de decisión \(h_{i} (x_{t} )\). El árbol de regresión toma el valor medio basado en cada nodo terminal como resultado de la predicción general. Por lo tanto, para la muestra \(x_{t} \in R^{j}\), j es el número de características y el bosque aleatorio \(\overline{h}(x_{t} )\) es el promedio de los resultados predichos de todos los subárboles \(h_{i} (x_{t} )\), expresados ​​de la siguiente manera:

donde k es el número de subárboles de decisión.

Antes de utilizar el modelo para realizar pronósticos, primero evaluamos el rendimiento predictivo del modelo. La precisión del modelo generalmente se determina utilizando el error porcentual absoluto medio (MAPE), el error cuadrático medio (RMSE), el error cuadrático medio (MSE) y el error absoluto medio (MAE). Además, la bondad de ajuste (GOF) y la puntuación de la varianza explicada (EVS) también se utilizan comúnmente para medir las fortalezas y debilidades de los métodos de pronóstico. Se debe considerar una combinación de diferentes parámetros para medir la precisión del rendimiento de predicción del modelo, para garantizar un resultado de modelado eficaz.

Características evolutivas espaciales y temporales de la calidad del aire urbano en China.

El primer paso es describir las características de distribución general y las tendencias de los valores promedio diarios de ICA y los valores de concentración de los seis principales contaminantes CO, NO2, O3, PM10, PM2.5 y SO2 para las ciudades chinas de 2014 a 2022. Tabla 1 y el Recurso en línea 1 muestran los resultados del análisis de cambios de series temporales de estos datos. Los gráficos indican visualmente que los datos de AQI, CO, NO2, O3, PM10, PM2.5 y SO2 tienen características de distribución relativamente similares, con fluctuaciones significativas. Las tendencias temporales influyen significativamente en la serie e indican que las estaciones influyen en la tendencia de fluctuación cíclica. El ICA en 2021 disminuyó un 26,75% respecto a 2015, mientras que la reducción fue de 22,1% entre 2016 y 2021; las cifras específicas se enumeran en la Tabla 1. Las otras seis concentraciones de contaminación primaria también disminuyeron año tras año.

En la Tabla 2 se muestra la calidad del aire diaria clasificada por grados según el año. La calidad del aire urbano en China alcanzó un nivel "Excelente" en los siguientes porcentajes de días en los nueve años consecutivos desde 2014 hasta 2022: 75,00 %, 78,97 %, 82,24 %, 83,74 %, 86,73 %, 88,67 %, 91,41 %, 91,36 %, y 92,42%, respectivamente. Esto indica una tendencia creciente año tras año. Los porcentajes de días con contaminación intensa y grave durante los mismos nueve años consecutivos son 2,46%, 2,97%, 2,48%, 2,21%, 2,02%, 1,601%, 1,115%, 1,37% y 0,98%, respectivamente. Esto muestra una tendencia decreciente año tras año. En general, la calidad del aire de la mayoría de las ciudades se califica como Excelente, seguida de Buena, y solo una cierta proporción de días reportan contaminación lumínica. Hay incluso menos días clasificados como con contaminación moderada o superior. Aunque la proporción de días con contaminación del aire en las ciudades chinas ha ido disminuyendo en los últimos años, la proporción no es pequeña y la contaminación del aire aún debe gestionarse y controlarse activamente.

Los coeficientes de correlación entre el AQI y cada uno de los siguientes seis contaminantes, PM2,5, PM10, CO, NO2, SO2 y O3, son 0,89, 0,84, 0,54, 0,54, 0,32 y − 0,056, respectivamente (Fig. 1). El contaminante O3 es el único que tiene correlación negativa con el ICA; los otros cinco contaminantes están correlacionados positivamente con el ICA. La Figura 1 muestra que los aumentos en las concentraciones de PM10 y PM2.5 están asociados con los aumentos más significativos en el AQI. Esto puede indicar que el AQI es más sensible a los cambios en la concentración de partículas. Los cambios en el ozono son causados ​​principalmente por la radiación solar; como tal, no existe una fuerte correlación entre los cambios en la concentración de ozono y los cambios en el ICA. Además, los coeficientes de correlación entre los seis contaminantes, en particular entre las concentraciones de PM2,5 y PM10, PM2,5 y CO, y de CO y NO2, superaron el 0,58. Lang Lijun et al. También encontraron que las PM estaban fuertemente correlacionadas con NO2, CO y O3-8h25. Esto indica que existe multicolinealidad entre todos los factores, destacando la complejidad de la correlación.

Mapa de calor del AQI y seis contaminantes principales en China.

En el análisis comparativo se dividen cuatro estaciones según el calendario gregoriano. Como tal, la primavera, el verano, el otoño y el invierno se denotan de marzo a mayo, de junio a agosto, de septiembre a noviembre y de diciembre a febrero, respectivamente. En la Tabla 3 se muestra el valor medio del ICA y las concentraciones de los seis contaminantes en las diferentes estaciones; La tabla indica que el ICA y seis contaminantes en las ciudades chinas muestran una variación estacional significativa. Este resultado se alinea estrechamente con los hallazgos de Ji Mengyi et al.15. En particular, el ICA en invierno durante el período de calefacción es generalmente más alto, con un ICA promedio de 86,64 (contaminación leve). El ICA general es más bajo en verano, con un ICA medio de 47,62 (bueno). Los resultados muestran que la calidad del aire en las ciudades chinas es la peor en invierno y la mejor en verano, debido a la variación estacional en las actividades tanto naturales como humanas. En invierno, hay menos precipitaciones secas, bajas temperaturas, presión atmosférica estable e inversión de temperatura. Estas condiciones no facilitan la difusión y dilución de los contaminantes. A medida que comienza la temporada de calefacción, aumentan las emisiones contaminantes, lo que exacerba la contaminación del aire. En primavera y otoño, el tiempo es mayoritariamente ventoso y arenoso, lo que afecta a la calidad del aire ambiente. En verano, las precipitaciones aumentan, la humedad es alta y la convección localizada sobre la ciudad es fuerte. Esto facilita la deposición, dilución y difusión de contaminantes, mejorando la calidad del aire.

La Tabla 3 también muestra que las concentraciones de PM10 y PM2.5 fueron más altas en la temporada de invierno, y PM2.5, PM10, O3 y NO2 fueron más altas en la temporada de primavera como índices de calidad del aire. El O3 fue más alto en la temporada de verano, probablemente porque las altas temperaturas constantes y la intensa luz solar en verano tienden a causar reacciones fotoquímicas de óxidos de nitrógeno y compuestos orgánicos volátiles en los gases de escape de los vehículos y las emisiones de humo de las fábricas. Esto produce más ozono26. Heidarinejad et al. También informó que el mayor número de días insalubres asociados a los contaminantes PM2.5 y PM10 se producen durante las temporadas de invierno y primavera. Sin embargo, sus hallazgos revelaron que los niveles de O3 son más altos en invierno, lo que contradice las conclusiones extraídas de nuestro estudio27. Fang Lanlan et al. investigó la relación entre la concentración de ozono (O3) y la incidencia de enfermedades alérgicas de la piel en verano (TEA). Su estudio reveló una correlación positiva entre la concentración de O3 y la hospitalización por TEA y urticaria crónica, proporcionando evidencia indirecta de concentraciones de O3 más altas durante el verano en comparación con otras estaciones28.

La Figura 2 muestra la distribución de la tendencia de los datos mensuales de los valores del AQI. La imagen muestra visualmente que el AQI está específicamente relacionado con el mes y existe una cierta periodicidad en la distribución del AQI mensual. El ICA promedio mensual en 2014 es significativamente más alto que los valores de años de estudio posteriores, especialmente en abril, junio, agosto y noviembre. Los valores promedio mensuales del ICA para 2019-2022 son significativamente más bajos en comparación con 2014. En general, el valor promedio mensual del ICA disminuyó continuamente de marzo a julio, alcanzando su valor más bajo desde finales de julio hasta principios de agosto. Luego, el valor aumentó gradualmente hasta alcanzar el valor más alto en febrero del año siguiente. El ICA en las ciudades chinas muestra un patrón mensual en forma de “U”: es alto en invierno, disminuye en primavera, luego es bajo en verano y aumenta en otoño. Entre los seis contaminantes, cinco muestran una distribución en “forma de U”; sólo el O3 tiene una distribución en “forma de U invertida”. Este descubrimiento proporciona información valiosa sobre la relación entre el índice de calidad del aire y los contaminantes, que puede informar el desarrollo de medidas específicas de control de la contaminación del aire.

Características de distribución mensual del valor del ICA y valor de concentración de seis contaminantes.

La Figura 3 muestra la distribución espacial del ICA en las ciudades chinas de 2014 a 2022. Los resultados indican una falta de equilibrio significativa con respecto a la distribución espacial de la calidad del aire urbano en China. La calidad del aire es peor en las regiones del interior central y noroeste de China, y es mejor en las zonas costeras y montañosas del sureste. En general, el ICA de las ciudades chinas muestra un patrón de distribución espacial que es bajo en el sureste y alto en el noroeste, y bajo en la costa y alto en el interior. Estas observaciones concuerdan en gran medida con los hallazgos de Lin Xueqin y Wang Dai. (2016)17, así como Wan Qing et al. (2022)29. Este descubrimiento tiene un valor de referencia significativo para obtener una comprensión integral de las disparidades regionales en la calidad del aire urbano en China y para realizar una investigación en profundidad sobre las causas fundamentales de la contaminación del aire. También proporciona un sólido apoyo para el desarrollo de estrategias de control de la contaminación del aire adaptadas a regiones específicas.

Patrones espaciales del ICA en ciudades chinas. Nota: El mapa utilizado en este estudio se generó en base a la plataforma Alibaba Cloud Data Visualization, adhiriéndose al estándar GS (2022)1061, sin modificaciones en los límites del mapa base. No se incluyeron datos de Hong Kong, Macao y Taiwán.

Se clasifican los valores de ICA de las 31 provincias y las diez provincias con los valores de ICA más bajos son (clasificadas en orden de menor a mayor valor de ICA): Hainan, Xizang, Yunnan, Fujian, Guizhou, Guangdong, Heilongjiang, Guangxi, Qinghai y Zhejiang. Estas diez provincias tienen una calidad del aire general satisfactoria y están libres de contaminación del aire. Las diez provincias con los peores niveles nacionales de calidad del aire son (clasificadas de mayor a menor valor de AQI): Henan, Xinjiang, Hebei, Tianjin, Shanxi, Beijing, Shandong, Shaanxi, Ningxia y Hubei. La calidad general del aire de estas 10 provincias es aceptable; sin embargo, algunas ciudades están más contaminadas que otras, lo que posiblemente afecte la salud de las personas susceptibles.

Los principales contaminantes en las diez provincias con mejor calidad del aire son PM10, PM2,5 y O3. Los niveles de concentración de estas tres sustancias influyen significativamente en los valores del ICA. Esto se ve particularmente en las correlaciones entre PM10 y PM2,5 y AQI, que superan 0,94. Además, el coeficiente de correlación de la concentración de O3 con el AQI alcanza 0,78. El coeficiente de correlación entre PM2,5 y PM10 alcanza 0,9; PM10 incluye PM2.5, por lo que un aumento de PM2.5 también aumenta la concentración de PM10. El aumento de PM10 no puede ser menor que el aumento de la concentración de PM2,5. Como tal, la correlación de 0,9 refleja la realidad. Las PM10 y PM2,5 son también los principales contaminantes en las diez provincias con peor calidad del aire.

Este estudio analiza la calidad del aire de 388 ciudades importantes de China en función de la magnitud de los valores del AQI. Las diez ciudades con la mejor calidad del aire son las siguientes (clasificadas en orden de buena a menos buena): Prefectura autónoma tibetana de Garzê, Linzhi, Danzhou, Sanya, Sansha, Prefectura autónoma tibetana de Qiang de Ngawa, Prefectura autónoma tibetana de Yushu, Qiannan Buyi y la Prefectura Autónoma Miao, la Prefectura de Altay y la Prefectura Autónoma Tibetana de Diqing. Las diez ciudades con la peor calidad del aire del país son (clasificadas de peor a mejor): Prefectura de Hotan, Prefectura de Kashgar, Prefectura de Aksu, Prefectura autónoma kirguís de Kizilsu, Tulufan, Kuerle, Shijiazhuang, Anyang, Handan y Xingtai.

Los principales contaminantes en las diez ciudades con mejor calidad del aire son PM2,5, PM10 y NO2; los coeficientes de correlación entre estos tres contaminantes y el ICA son 0,76, 0,92 y 0,38, respectivamente. La correlación entre PM2,5 y PM10 llega a 0,81; sin embargo, las otras correlaciones entre los seis contaminantes principales son inferiores a 0,37 y no son estadísticamente significativas. La Figura 4 muestra que el CO, SO2, NO2 y O3 contribuyen poco a la contaminación del aire ambiental de las diez ciudades más contaminadas. Por el contrario, las PM2,5 y las PM10 son los factores contaminantes que más afectan a la calidad del aire ambiental de estas ciudades. Estos contaminantes también están estrechamente relacionados con la calidad del aire urbano y la calidad del aire provincial. Existe una fuerte correlación positiva entre PM2,5 y PM10, de 0,9, lo que indica que el aumento de la concentración de PM2,5 acompaña al crecimiento de los niveles de PM10.

Mapa de calor de los principales contaminantes en las diez ciudades con peor calidad del aire de China.

Primero, trazamos la serie temporal del AQI desde mayo de 2014 hasta agosto de 2022 y descomponemos la serie temporal directamente en tendencia y residuos estacionales para probar la suavidad (Fig. 5). La Figura 5 muestra fluctuaciones significativas en los valores del ICA para China de 2014 a 2022. La serie parece tener una tendencia temporal, con una disminución general cada año y con características estacionales significativas. Esto indica que es una serie no estacionaria. Por lo tanto, este estudio genera una serie suave de ruido no blanco al realizar operaciones de diferencia ordinaria y estacional en los datos originales (Fig. 5c, d). La suavidad se prueba utilizando el método de prueba aumentada de Dickey-Fuller (ADF). Los resultados se muestran en el Recurso en línea 2. Los resultados de la prueba estadística del ADF indican que los valores de prueba hipotéticos para la prueba t para evaluar la diferenciación estacional y la diferenciación de primer orden son menores que los tres valores críticos de 1%, 5% y 10. %.

(a) Diagrama de series temporales de AQI. (b) Media móvil y media móvil ponderada del AQI. (c) Diagramas de secuencia de diferencias estacionales y de diferencias de primer orden del AQI. (d) ACF y PACF del AQI mensual medio después de la diferencia estacional y la diferencia de primer orden.

Para el modelado, este estudio utiliza una combinación de estadísticas del criterio de información bayesiano (BIC) y del criterio de información de Akaike (AIC) para determinar el orden óptimo del modelo. La estadística BIC se minimiza seleccionando diferentes combinaciones de parámetros p y q para experimentos repetidos y combinando los resultados generados por la detección automática utilizando el software Python. Se determina que el modelo es \(SARIMA(2,1,1)(0,1,1)^{12}\). Los parámetros del modelo se proporcionan en el Recurso en línea 3.

La ecuación del modelo SARIMA es la siguiente:

La Figura 6 muestra un buen ajuste general del modelo, que refleja la tendencia del valor promedio mensual del AQI para las ciudades chinas en una escala de tiempo corta. El diagrama de línea discontinua residual (Fig. 6b) indica que el modelo es preciso, con alguna fluctuación en la diferencia residual entre el valor predicho y el valor real. Esta tendencia se ve afectada por la temporada. La desviación entre los valores previstos y reales puede deberse a errores inevitables al ajustar el modelo SARIMA, basándose en el supuesto de que no hay cambios significativos en otros factores que influyen. Por ejemplo, el valor previsto para febrero de 2022 es ligeramente mayor que el valor real, quizás porque el modelo no considera la prohibición de los fuegos artificiales durante el tradicional Año Nuevo chino.

(a) El efecto imitativo del AQI simulado por \(SARIMA(2,1,1)(0,1,1)^{12}\). (b) Diagrama residual del modelo SARIMA. (c) ACF y PACF residuales después de la diferencia estacional y la diferencia de primer orden. (d) Cifra QQ residual.

Se realiza una prueba de ruido blanco en la serie residual del modelo para determinar la aptitud del modelo. Si la serie residual cae dentro de una serie de ruido blanco, se considera que el modelo explica efectivamente la serie temporal. De lo contrario, es necesario mejorar aún más el modelo. El gráfico QQ de la figura 6c muestra que la serie residual se distribuye normalmente. Los residuales pasan la prueba del ruido blanco, lo que indica la extracción de información útil en la serie temporal. El resto refleja perturbaciones aleatorias, que no se pueden predecir ni utilizar. Por lo tanto, los valores pronosticados del ICA mensual obtenidos del modelo \(SARIMA(2,1,1)(0,1,1)^{12}\) están más cerca de la situación real, y el modelo establecido tiene una excelente efecto de ajuste.

El algoritmo de bosque aleatorio es capaz de predecir la calidad del aire desde un enfoque no lineal, y puede utilizarse para analizar tanto cuantitativa como cualitativamente las relaciones específicas entre los factores de impacto de los contaminantes y la calidad del aire y su grado de influencia en el AQI. Para explorar la importancia de los seis contaminantes principales, este estudio utiliza el modelo de bosque aleatorio construido para seleccionar las características importantes de los contaminantes que afectan la calidad del aire.

Este estudio utiliza como variables tipo las calificaciones de calidad del aire desde mayo de 2014 hasta agosto de 2022. Los valores de AQI y los datos del factor de contaminación en el conjunto de prueba se ingresaron en el modelo de predicción de RF entrenado para obtener la importancia relativa de cada índice de concentración de contaminantes del aire. La importancia relativa al comparar las concentraciones de los seis contaminantes importantes, PM10, PM2,5, CO, SO2, NO2, O3 y los valores de ICA es 39,69%, 32,28%, 13,04%, 8,80%, 5,37% y 0,82%. respectivamente. El modelo de bosque aleatorio muestra que PM2,5 y PM10 son los dos indicadores principales que influyen de manera más significativa en el valor del ICA. A estos les siguen el CO, SO2 y NO2. Estos resultados son consistentes con los resultados del análisis del coeficiente de correlación.

Este estudio utiliza los valores promedio de las concentraciones históricas específicas en el tiempo de seis contaminantes principales (PM2.5, PM10, O3, NO2, CO y SO2) desde mayo de 2014 hasta diciembre de 2021 como variables independientes. Los valores de AQI calculados a partir de estos factores de contaminación se utilizan como variables dependientes para construir un modelo forestal aleatorio para predecir los valores de AQI para las ciudades chinas en 2022. La Figura 7 muestra los resultados.

(a) Curva de predicción del modelo de regresión de bosque aleatorio. (b) Diagrama de residuos de predicción del modelo de bosque aleatorio. (c) ACF y PACF residuales después de la diferencia estacional y la diferencia de primer orden. (d) Cifra QQ residual.

La Figura 7 muestra que los valores predichos están muy cerca de los valores medidos, lo que indica una tendencia constante y una alta precisión de predicción. Sin embargo, ciertos factores (como una caída brusca de la temperatura) provocan un cierto número de fluctuaciones anormales en el ICA. Debido a que el bosque aleatorio no contiene información sobre esos factores, se espera una cierta cantidad de error entre el valor previsto y el valor real.

Se realiza una prueba de ruido blanco en la secuencia residual del modelo para estimar la idoneidad del modelo. El QQ residual que se muestra en la Fig. 7c indica que la secuencia residual pasa la prueba de ruido blanco. El R2 del modelo de bosque aleatorio es 97,61%; el MAE es 1,3841; el MAPE es 0,0228; y el EVS es del 97,65%. Esto indica además que la precisión de la predicción está dentro de un rango razonable y que el modelo logra un buen efecto de ajuste. En general, las tendencias de variación con respecto a los valores del ICA previstos y observados son muy consistentes. Esto respalda la conclusión de que el modelo de regresión establecido utilizando el algoritmo RF funciona bien en la predicción del valor del ICA.

Los resultados empíricos muestran que los valores predichos tanto del modelo SARIMA como del modelo RF coinciden efectivamente con la tendencia asociada con los valores reales y logran un punto de referencia efectivo para la predicción de escala. Se utilizaron criterios de evaluación de la precisión del modelo para comparar el efecto de ajuste de los dos modelos. Los resultados se muestran en el recurso en línea 4. El MAPE del modelo RF y el modelo SARIMA son 0,0228 y 0,0951, respectivamente. Los valores de bondad de ajuste son 0,976 y 0,662 para RF y SARIMA, respectivamente; y los valores RMSE son 2,288 y 8,395 para RF y SARIMA, respectivamente. Según estas métricas, el modelo RF proporciona mayor precisión de predicción, tasa de error y confiabilidad en comparación con el modelo SARIMA. Esto indica que el algoritmo de regresión forestal aleatoria es eficaz para analizar el tamaño del efecto de cada concentración de contaminante sobre la calidad del aire y para predecir con precisión el índice AQI por concentración de contaminante. Los niveles de validez y viabilidad del modelo RF se alinean con las leyes estadísticas y tienen importancia práctica.

El pronóstico a escala a largo plazo ayuda a analizar las tendencias y patrones de la calidad del aire desde una perspectiva macroscópica. Por lo tanto, después de verificar la viabilidad y validez de los dos modelos, este estudio aplica el modelo de bosque aleatorio para desarrollar pronósticos a largo plazo del AQI y las concentraciones de los seis contaminantes del estudio. Los resultados de la predicción indican que se espera que el valor promedio del ICA en los próximos diez años sea 51,09, con un valor mínimo de 29,48 y un valor máximo de 137,84. Esto refleja una disminución en comparación con el ICA promedio de 64,99 de 2014 a 2022, y refleja un ligero aumento en comparación con el valor mínimo de 29,21 de 2014-2022 y una ligera disminución en comparación con el valor máximo de 161,88 de 2014-2022. En comparación con 2020, se espera que el valor promedio del ICA para las ciudades chinas en 2032 disminuya en 17,84. Se espera que las concentraciones medias de PM2,5, PM10, NO2, O3, SO2 y CO disminuyan en 17,08 μg m-3, 56,57 μg m-3, 17,64 μg m-3, 47,04 μg m-3, 7,75 μg m-3. 3 y 0,45 mg m-3, respectivamente. De estos, se espera que las PM10, el NO2 y el ozono disminuyan de manera más significativa. Los resultados del pronóstico indican que se prevé que la calidad promedio del aire en las ciudades chinas mejorará aún más en el futuro. Esto también es consistente con los esfuerzos del gobierno y la gente para mejorar la calidad del aire y controlar la contaminación del aire. Las proyecciones también indican que la fuerte disminución de las concentraciones de contaminantes, particularmente con respecto a las partículas en aerosol, puede conducir a una reducción en el efecto de enfriamiento de las partículas. Esto puede obstaculizar la mitigación esperada del calentamiento global. Por lo tanto, sería más apropiado implementar medidas coordinadas de reducción de emisiones que apunten tanto a los gases de efecto invernadero como a los contaminantes del aire, para lograr el objetivo de reducir las emisiones globales.

Este es un estudio observacional.

Todos los autores han leído, comprendido y cumplido según corresponda con la declaración sobre “Responsabilidades éticas de los autores” que se encuentra en las Instrucciones para los autores y son conscientes de que, salvo excepciones menores, no se pueden realizar cambios en la autoría una vez enviado el estudio.

Esta investigación estudia las características de distribución temporal y espacial del AQI y seis contaminantes principales, utilizando análisis estadístico y métodos de análisis de correlación, y datos de monitoreo de la calidad del aire basados ​​en el tiempo para 388 ciudades en 31 provincias de China de 2014 a 2022. La futura calidad del aire de Las ciudades chinas se predicen utilizando SARIMA y modelos forestales aleatorios. Hubo tres hallazgos clave del estudio:

Existe una considerable tendencia a la baja en el valor del ICA y la concentración de contaminación de las ciudades chinas en general a lo largo de los años del estudio. El ICA muestra una tendencia mensual en forma de “U” que es alta en invierno y decreciente en primavera, y baja en verano y creciente en otoño. En general, el verano tiene la mejor calidad del aire y el invierno la peor (el contaminante O3 muestra la tendencia opuesta). La calidad del aire en las ciudades chinas se distribuye espacialmente en baja en el sureste, alta en el noroeste, baja en la costa y alta en el interior.

Los resultados indican que PM2,5 y PM10 son los principales contaminantes en las provincias y ciudades de China con la peor calidad del aire. Las autoridades provinciales y locales deben prestar mucha atención a las emisiones de SO2, CO y NO2 y al mismo tiempo concentrarse en prevenir y reducir las emisiones contaminantes de PM2,5 y PM10 en el aire. Las prácticas de control de la contaminación deben adherirse al principio de “orientación a la prevención, combinada con prevención y control” para promover el mantenimiento y la mejora continua de la calidad del aire. Estos contaminantes son causados ​​principalmente por las emisiones provenientes de la quema de combustibles fósiles. Como tal, para mitigar y controlar la contaminación del aire, las ciudades deben adoptar estrategias regionales de mitigación para abordar la contaminación del aire de manera coordinada. Es poco probable que las medidas adoptadas por una sola ciudad para prevenir y controlar la contaminación del aire sean efectivas en un conjunto regional de ciudades muy contaminadas. Esto pone de relieve que la gestión de la contaminación del aire no debe limitarse a una sola ciudad y que se necesita un enfoque conjunto de prevención y control de la contaminación del aire en todas las regiones administrativas. En última instancia, se necesita un sistema internacional para prevenir y gestionar la contaminación del aire.

Este estudio evalúa la importancia de seis variables contaminantes significativas en el ICA utilizando el modelo de bosque aleatorio. Los resultados muestran que PM10 y PM2,5 siguen siendo los dos indicadores de contaminantes con la influencia más crítica en el ICA. Esto es consistente con los resultados del análisis de correlación. Predecir el futuro ICA es un problema multivariado no lineal complejo, y tanto el modelo SARIMA como el de RF pueden predecir el ICA mejor que otros modelos. La precisión de la predicción del modelo de RF es mayor de los dos, y las variables de concentración del momento histórico de los seis contaminantes pueden ser más altas. adecuado que las variables AQI para la predicción de la calidad del aire con respecto al conjunto de entrenamiento del modelo. La experiencia ha demostrado que las medidas de protección ambiental, como el riego de carreteras y la prohibición de encender fuegos artificiales, han controlado eficazmente las partículas gruesas y han reducido con éxito las concentraciones de partículas, como PM10 y PM2,5. También es ampliamente aceptado que el NO2, el CO y el SO2 generalmente provienen del encendido del combustible y de los vapores del motor de los vehículos. En el futuro, la disminución de estas concentraciones de contaminantes puede reflejar los niveles de compromiso general con respecto a enfoques de ahorro de energía y reducción de emisiones, como el avance de vehículos de nueva energía en las comunidades urbanas en los próximos 10 años.

El análisis estadístico y los métodos de modelado de este estudio tienen importancia orientadora para los estudios relacionados con las características de evolución espacial y temporal de la calidad del aire y la predicción futura. Sin embargo, persisten muchas deficiencias y áreas que merecen una mayor investigación. Al modelar el análisis del factor de influencia del AQI, este estudio no consideró la influencia de los elementos meteorológicos, el nivel de desarrollo económico futuro, la estructura industrial, el cambio demográfico y una serie de intervenciones políticas. El estudio de seguimiento debería considerar la influencia de más factores en la calidad del aire en China. Además, se necesita aplicar un enfoque estadístico como tema de investigación activo para establecer el vínculo entre las concentraciones de contaminantes y el ICA para predecir la calidad del aire en períodos futuros. Los métodos estadísticos se basan esencialmente en datos históricos para realizar pronósticos; como tales, tienen una ventaja significativa en el pronóstico multifrecuencia a corto plazo porque el esfuerzo computacional de los métodos estadísticos es varios órdenes de magnitud menor que el requerido para los métodos numéricos. Sin embargo, la desventaja del enfoque estadístico es que requiere una gran cantidad de datos históricos sobre la calidad del aire como base para el entrenamiento del modelo para mejorar la precisión de la predicción. Con el advenimiento de la era de Big Data, los modelos de regresión tradicionales se están volviendo obsoletos y el aprendizaje automático, un campo interdisciplinario de estadística e informática, está floreciendo debido al aumento de la potencia informática. Estudios como el trabajo de Feng et al. sobre el uso de la transformada wavelet y redes neuronales artificiales para predecir PM2,5 resaltan el potencial de combinar modelos físicos y aprendizaje automático en la predicción de la calidad del aire30. El algoritmo de bosque aleatorio es un destacado algoritmo de aprendizaje automático que se espera que evolucione aún más y se convierta en un tema candente en la optimización de algoritmos de procesamiento de big data.

Para terminar, es importante señalar que la disminución de las concentraciones de contaminantes, especialmente la concentración masiva de partículas de aerosol (PM), puede reducir el efecto de enfriamiento de las partículas. Esto puede complicar el esfuerzo general para mitigar el calentamiento global. A pesar de esto, el cambio de temperatura provocado por la reducción repentina de la concentración de contaminantes es relativamente pequeño y es urgente reducir los gases de efecto invernadero y la contaminación del aire en todo el mundo.

Los conjuntos de datos analizados para este estudio se encuentran en la plataforma nacional de liberación de calidad del aire urbano en tiempo real de la Estación General de Monitoreo Ambiental de China. [https://air.cnemc.cn:18007/].

Abulude, FO et al. Índice de calidad del aire: un caso de monitoreo de 1 día en 253 ciudades urbanas y suburbanas de Nigeria. J. Geovis. Escupió. Anal. 6(1), 1–13. https://doi.org/10.1007/s41651-022-00100-6 (2022).

Artículo de Google Scholar

Mohan, M. & Kandya, A. Un análisis de las tendencias anuales y estacionales del índice de calidad del aire de Delhi. Reinar. Monit. Evaluar. 131(1), 267–277. https://doi.org/10.1007/s10661-006-9474-4 (2007).

Artículo CAS PubMed Google Scholar

Moscoso-López, JA et al. Predicción horaria de contaminantes mediante un enfoque de aprendizaje profundo para obtener el ICA. Lógica J. IGPL https://doi.org/10.1093/jigpal/jzac035 (2022).

Artículo de Google Scholar

Peng, J. y col. Patrones espaciotemporales de concentración de PM2,5 detectada remotamente en China de 1999 a 2011. Remote Sens. Environ. 174, 109-121. https://doi.org/10.1016/j.rse.2015.12.008 (2016).

ADS del artículo Google Scholar

Xu, W. y col. Comprensión de los patrones espaciotemporales y los factores influyentes en el índice de calidad del aire: el caso del norte de China. En t. J. Medio Ambiente. Res. Salud pública. 16(16), 2820. https://doi.org/10.3390/ijerph16162820 (2019).

Artículo PubMed PubMed Central Google Scholar

Hu, J. y col. Caracterización de la contaminación del aire por múltiples contaminantes en China: comparación de tres índices de calidad del aire. Reinar. En t. 84, 17-25. https://doi.org/10.1016/j.envint.2015.06.014 (2015).

Artículo CAS PubMed Google Scholar

Saif-ul-Allah, MW et al. Unidad recurrente cerrada junto con proyección para imputación de plano modelo para la predicción de PM2.5 para la ciudad de Guangzhou, China. Frente. Reinar. Ciencia. 9, 753. https://doi.org/10.3389/fenvs.2021.816616 (2022).

Artículo de Google Scholar

Zhang, XT, Liu, XH, Su, CW y Umar, M. ¿Existe una persistencia asimétrica en la convergencia del índice de calidad del aire (ICA) en China? Reinar. Ciencia. Contaminación. Res. 27(29), 36541–36569. https://doi.org/10.1007/s11356-020-09498-2 (2020).

Artículo de Google Scholar

Gao, H. y col. Análisis de los cambios en la calidad del aire y los factores que influyen en Changchun durante la pandemia de COVID-19 en 2020. Aerosol. Calidad del aire. Res. 21(9), 210055. https://doi.org/10.4209/aaqr.210055 (2021).

Artículo CAS Google Scholar

Zhao, H., Niu, Z. & Feng, X. Factores que influyen en las mejoras en la calidad del aire en las ciudades de Guanzhong en China y sus variaciones para 2014-2020. Clima urbano. 38, 100877 (2021).

Artículo de Google Scholar

Li, X., Lin, X. & Wang, D. Características de la evolución espaciotemporal y factores que influyen en la calidad del aire urbano en China. Universidad J. Xi'an. Tecnología. 38(04), 487–499 (2022).

Google Académico

Li, Y., Chiu, YH & Lu, LC Rendimiento energético y AQI de 31 ciudades de China. Política energética 122, 194–202. https://doi.org/10.1016/j.enpol.2018.07.037 (2018).

Artículo CAS Google Scholar

Qi, H., Wang, X. y Cheng, Sh. Análisis cuantitativo del impacto de las emisiones antropogénicas y los factores meteorológicos en la calidad del aire: casos durante la epidemia en la ciudad de Xingtai. Medio ambiente de China. Ciencia. 42(8), 3512–3521 (2022).

CAS Google Académico

Pan, cap. et al. Influencia de factores antropogénicos y meteorológicos en la calidad del aire en diferentes ciudades. Reinar. Ciencia. Tecnología. 45(9), 126-135 (2022).

Google Académico

Ji, M. y col. Relaciones espaciotemporales entre la calidad del aire y múltiples parámetros meteorológicos en 221 ciudades chinas. Complejidad 2020, 1–25. https://doi.org/10.1155/2020/6829142 (2020).

ADS del artículo Google Scholar

Wu, W. y col. Análisis de factores que influyen en la calidad del aire en diferentes períodos durante COVID-19: un estudio de caso de Tangshan, China. En t. J. Medio Ambiente. Res. Salud pública 20(5), 4199. https://doi.org/10.3390/ijerph20054199 (2023).

Artículo CAS PubMed PubMed Central Google Scholar

Lin, XQ y Wang, D. Variaciones espacio-temporales y fuerzas impulsoras socioeconómicas de la calidad del aire en las ciudades chinas. Acta Geogr. Pecado. 71(8), 1357–1371 (2016).

Google Académico

Xiao, Y. et al. Estudio sobre las características espaciotemporales y los factores socioeconómicos que impulsan la contaminación del aire en China. Ecológico. Reinar. Ciencia. 27(3), 518–526. https://doi.org/10.16258/j.cnki.1674-5906.2014.03.016 (2018).

Artículo de Google Scholar

Zhenfang, H. et al. Características de la variación espacio-temporal de la contaminación del aire y factores que influyen en la provincia de Hebei. J. Nat. Recurso. 36(2), 411–419 (2021).

Google Académico

Zhu, R., Zhang, CJ y Mei, M. Las características climáticas del índice de capacidad de autolimpieza atmosférica y su aplicación en China. Medio ambiente de China. Ciencia. 38(10), 3601–3610. https://doi.org/10.3969/j.issn.1000-6923.2018.10.001 (2018).

Artículo de Google Scholar

Zhou, GQ y cols. Pronóstico de PM2.5 basado en WRF-Chem y análisis de sesgo en la región del este de China. Medio ambiente de China. Ciencia. 36(8), 2251–2259. https://doi.org/10.3969/j.issn.1000-6923.2016.08.002 (2016).

Artículo de Google Scholar

Zhou, W. y col. Análisis predictivo de los indicadores de calidad del aire en el delta del río Yangtze en China: una aplicación de un novedoso modelo gris estacional. Ciencia. Medio ambiente total. 748, 141428. https://doi.org/10.1016/j.scitotenv.2020.141428 (2020).

Artículo CAS PubMed ADS Google Scholar

Liu, H. y col. Índice de calidad del aire y predicción de concentración de contaminantes atmosféricos basados ​​en algoritmos de aprendizaje automático. Aplica. Ciencia. 9(19), 4069. https://doi.org/10.3390/app9194069 (2019).

Artículo CAS Google Scholar

Sekhar, SR y cols. Identificación y análisis de la concentración de dióxido de nitrógeno para la predicción de la calidad del aire mediante autorregresión estacional integrada con media móvil. Aerosol. Ciencia. Ing. 4(2), 137–146. https://doi.org/10.1007/s41810-020-00061-7 (2020).

Artículo de Google Scholar

Lang, L. y col. Características espaciotemporales de los contaminantes del aire ambiente en cinco ciudades fronterizas de la provincia de Yunnan: variaciones. Medio ambiente de China. Ciencia. 42(11), 5008–5015 (2022).

Google Académico

An, JL et al. Análisis de la relación entre las concentraciones de NO, NO2 y O3 en Beijing. Huan Jing ke Xue = Huanjing Kexue 28(4), 706–711 (2007).

CAS PubMed Google Académico

Heidarinejad, Z. et al. Datos sobre la evaluación del ICA para diferentes estaciones en Kerman, Irán, 2015. Data Brief 20, 1917–1923 (2018).

Artículo PubMed PubMed Central Google Scholar

Fang, L. y col. Efectos de la concentración de ozono en las visitas por enfermedades alérgicas de la piel en verano en Hefei de 2015 a 2018. Chin J Dis Control Prev 26(6), 709–714 (2022).

Google Académico

Wan, Q. y col. Evolución espacio-temporal y tendencia de convergencia de la calidad del aire en las aglomeraciones urbanas de China. Ciencia. Geografía. Pecado. 42(11), 1943-1953 (2022).

Google Académico

Feng, X. y col. Redes neuronales artificiales que pronostican la contaminación por PM2,5 utilizando un modelo geográfico basado en la trayectoria de la masa de aire y la transformación de ondas. Atmos. Reinar. 107, 118-128 (2015).

Artículo CAS ADS Google Scholar

Descargar referencias

Los autores agradecen al editor y a los revisores anónimos por sus valiosos comentarios y sugerencias para mejorar este estudio.

Los autores declaran que no recibieron fondos, subvenciones u otro tipo de apoyo durante la preparación de este manuscrito.

Departamento de Matemáticas, Universidad del Tíbet, Lhasa, Tíbet, República Popular China

Yuanfang Du y Tsering-xiao Basang

Facultad de Economía y Gestión, Universidad de Wuhan, Wuhan, Hubei, China

Yuanfang Du, Shibing You y Miao Zhang

Facultad de Economía, Universidad de Finanzas y Economía de Jiangxi, Nanchang, Jiangxi, República Popular China

Weisheng Liu

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

YD realizó el análisis de las condiciones y redactó el manuscrito; SY inició el estudio; T.-xB realizó la simulación numérica y la revisó; MZ contribuyó a comprobar el estudio y corregirlo; y WL coordinó la recopilación de datos. Todos los autores han leído y aceptado la versión publicada del manuscrito.

Correspondencia a Yuanfang Du o Tsering-xiao Basang.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Du, Y., You, S., Liu, W. et al. Características de la evolución espaciotemporal y análisis de predicción de la calidad del aire urbano en China. Representante científico 13, 8907 (2023). https://doi.org/10.1038/s41598-023-36086-4

Descargar cita

Recibido: 06 de febrero de 2023

Aceptado: 29 de mayo de 2023

Publicado: 01 de junio de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.