新闻信息

清迈大学研究团队利用机器学习解码泰北过去十年PM2.5空气污染问题

2026年5月15日
合作与交流项目处及校友中心
清迈大学理学院计算机科学系与健康科学研究所的研究团队成功开发出一种机器学习模型 。该模型专门用于预测泰国北部上部地区8个府过去10年间的PM2.5细颗粒物浓度，旨在填补因缺乏持续监测而导致的空气质量历史数据空白 。这一研究成果不仅有助于开展长期空气污染对公众健康影响的流行病学研究，还将为制定高效的公共卫生策略与空气质量管理方案提供强有力的决策支持 。
长期以来，泰北上部地区严重的PM2.5雾霾危机一直深切影响着当地居民的生活质量。然而，由于早期的PM2.5监测数据存在不连贯、不完整等局限性，使得相关的长期健康影响研究受到了极大限制 。为此，研究团队引入机器学习技术，利用泰北地区空气污染控制厅各空气质量监测站的历史数据，对2011年至2020年期间的PM2.5浓度进行了追溯性预测 。
在构建该预测模型时，研究团队整合了多源数据，包括：PM10颗粒物浓度，二氧化碳（CO2）和臭氧（O3）等大气污染物数据，火点数据，以及气压、降雨量、相对湿度、气温、风向和风速等多项气象指标 。在此基础上，团队对五种主流算法模型的性能进行了对比分析，分别为：多层感知器神经网络（MLP）、支持向量机（SVM）、多元线性回归（MLR）、决策树（DT）以及随机森林（RF） 。
研究结果表明，随机森林（RF）模型在预测PM2.5浓度方面表现最为优异 。其均方根误差（RMSE）为6.82微克/立方米，平均误差（MPE）为4.33微克/立方米，相对预测误差（RPE）为22.50%，而模型决定系数（R²）高达0.93 。这一系列高精度的数据充分证实了机器学习技术在环境监测与公共卫生领域的巨大应用潜力 。
这项题为《基于机器学习模型的泰北上部地区PM2.5浓度长期回顾性预测》的研究论文，由清迈大学理学院计算机科学系 Worawut Srisukkham博士，以及健康科学研究所Sawaeng Kawichai博士、 Patumrat Sripan博士、Amaraporn Rerkasem医师与该领域专家 Kittipan Rerkasem教授共同完成。研究团队表示，希望该研究能为评估空气污染的长期健康效应提供关键的基础数据库，并进一步推动泰北地区PM2.5治理工作的可持续发展 。

科研与创新新闻 要闻聚焦 COVID-19 and PM2.5

Gallery