# 菲律宾城市空气质量指数分类：四种机器学习模型的对比研究

> 一项针对菲律宾城市环境的空气质量指数（AQI）分类研究，使用SVM、LightGBM、CatBoost和MLP神经网络四种模型对比分析污染物浓度数据，其中LightGBM表现最优。

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-05-19T14:15:15.000Z
- 最近活动: 2026-05-19T14:18:31.478Z
- 热度: 154.9
- 关键词: 空气质量指数, 机器学习, LightGBM, CatBoost, SVM, 神经网络, 菲律宾, 环境数据科学, 分类算法, 梯度提升
- 页面链接: https://www.zingnex.cn/forum/thread/geo-github-averagecoder-byte-ph-aqi-classification-ml
- Canonical: https://www.zingnex.cn/forum/thread/geo-github-averagecoder-byte-ph-aqi-classification-ml
- Markdown 来源: ingested_event

---

## 研究背景与动机

空气污染已成为菲律宾城市地区面临的重要环境与公共卫生挑战。随着城市化进程加速，工业排放、交通尾气和建筑粉尘等因素导致空气质量持续恶化，直接影响居民健康和生活质量。传统的空气质量监测虽然能够提供实时数据，但如何利用这些历史数据进行智能分析和预测，成为环境数据科学领域的重要课题。

本项目聚焦于菲律宾主要城市的空气质量指数（AQI）分类问题，通过机器学习技术对污染物浓度数据进行建模分析。研究的核心目标是比较不同算法在AQI等级分类任务上的表现，为环境监测部门提供技术参考，同时也为其他发展中国家面临类似问题的城市提供可借鉴的分析框架。

## 数据集与特征工程

研究采用的数据集来自Kaggle平台的"PH Philippine Cities Air Quality Index Data 2025"，该数据集包含菲律宾多个城市在2025年的空气质量监测记录。原始数据按月份分多个CSV文件存储，经过预处理后合并为统一的主数据集。

数据集包含以下关键变量：

**污染物浓度特征**：一氧化碳（CO）、一氧化氮（NO）、二氧化氮（NO2）、臭氧（O3）、二氧化硫（SO2）、细颗粒物（PM2.5）、可吸入颗粒物（PM10）以及氨气（NH3）的浓度数据。这些化学组分是计算AQI的核心输入。

**时间特征**：记录的时间戳信息被转换为月份、星期几、小时等衍生特征，用于捕捉空气质量的时间周期性规律。

**地理特征**：城市名称作为分类变量，用于区分不同监测地点的数据。

**目标变量**：main.aqi字段代表OpenWeather采用的1至5级AQI严重程度分级，这是一个多分类问题而非回归问题，因为AQI等级本质上是离散的类别标签。

需要特别说明的是，由于目标变量是从源API的污染物组分数据中派生而来，本项目的定位是"API-based AQI标签的复现基准测试"，而非独立的环境健康因果分析或官方AQI计算的替代方案。

## 模型架构与实现

研究团队选择了四种具有代表性的机器学习模型进行对比实验，涵盖传统统计方法、梯度提升算法和深度学习技术：

### 支持向量机（SVM）

作为基准模型，SVM通过寻找最优分类超平面来实现多类别分类。其优势在于理论基础扎实、泛化能力较强，但在大规模数据集上的训练效率相对较低。

### LightGBM分类器

微软开发的梯度提升框架，专为结构化表格数据优化。采用基于直方图的决策树算法和叶子优先的树生长策略，在训练速度和内存效率方面具有显著优势。实验结果显示，该模型在本任务中表现最优。

### CatBoost分类器

Yandex开发的开源梯度提升库，特别针对类别特征处理进行了优化。通过Ordered Target Statistics技术有效处理高基数类别变量，无需繁琐的独热编码预处理。

### 多层感知机神经网络（MLP-NN）

采用ReLU激活函数的隐藏层和Softmax输出层的全连接神经网络结构。使用Adam优化器和稀疏分类交叉熵损失函数进行训练，代表深度学习在传统表格数据分类任务中的应用。

## 实验流程与评估方法

整个实验遵循标准的机器学习工作流：

1. **数据获取**：通过KaggleHub自动下载数据集
2. **数据整合**：定位并合并各月份的CSV文件
3. **数据清洗**：移除无效AQI标签，标准化列名
4. **特征工程**：转换时间格式并提取时序特征
5. **数据划分**：采用分层抽样进行70/15/15的训练-验证-测试集划分
6. **模型训练**：分别训练四种模型
7. **性能评估**：计算分类指标并生成可视化结果

评估指标包括准确率、宏平均精确率、宏平均召回率、宏平均F1分数、加权F1分数以及混淆矩阵。其中宏平均F1分数被作为主要参考指标，因为数据集中不同AQI等级的样本分布存在不平衡现象。

## 实验结果与分析

| 模型 | 准确率 | 宏平均精确率 | 宏平均召回率 | 宏平均F1 | 加权F1 |
|------|--------|--------------|--------------|----------|--------|
| LightGBM | 0.9969 | 0.9599 | 0.9817 | 0.9704 | 0.9970 |
| CatBoost | 0.9926 | 0.9118 | 0.9591 | 0.9338 | 0.9927 |
| MLP神经网络 | 0.9493 | 0.8926 | 0.8013 | 0.8381 | 0.9489 |
| SVM | 0.8461 | 0.6853 | 0.5687 | 0.6010 | 0.8431 |

从结果可以看出明显的性能分层：

**梯度提升模型占据主导地位**：LightGBM和CatBoost在所有关键指标上均大幅领先，其中LightGBM以0.9704的宏平均F1分数位居榜首。这一结果验证了梯度提升算法在处理结构化表格数据时的强大能力，尤其是在特征之间存在复杂非线性关系的场景下。

**神经网络表现中规中矩**：MLP-NN虽然达到了0.9493的准确率，但在宏平均F1分数（0.8381）上明显落后于梯度提升模型。这表明对于这类特征维度适中、样本量相对有限的表格数据，精心设计的树模型可能比通用神经网络更具优势。

**基准模型差距明显**：SVM作为传统方法的代表，宏平均F1分数仅为0.6010，反映出其在处理多类别不平衡分类问题时的局限性。

特征重要性分析进一步揭示，污染物浓度变量（如PM2.5、PM10、NO2等）对模型预测的贡献度显著高于时间特征和城市特征。这与环境科学领域的认知一致——空气质量的本质决定因素仍是各类污染物的实际浓度水平。

## 技术实现与可复现性

项目提供了完整的可复现方案：

- **依赖管理**：requirements.txt明确定义了所有Python依赖包
- **交互式Notebook**：CSELEC2C_Group_4_Implementation.ipynb包含从数据下载到模型评估的完整流程
- **文档输出**：同时提供PDF格式的实现报告和研究论文
- **结果归档**：训练好的模型、性能指标和可视化图表统一保存在outputs目录下

代码实现中采用了固定的随机种子以确保结果可复现，分层抽样保证了训练/验证/测试集中各类别的比例一致性。

## 研究局限与未来方向

本研究存在一些值得注意的局限性：首先，AQI标签本身来源于OpenWeather API的派生计算，模型本质上是在学习复现这一计算规则，而非建立独立的物理化学预测模型。其次，数据集仅覆盖2025年一年时间，缺乏跨年度的时间序列分析。

未来研究可以朝以下方向拓展：引入更多时间序列模型（如LSTM、Transformer）捕捉空气质量的动态变化规律；整合气象数据（温度、湿度、风速）作为额外特征；将研究范围扩展到其他东南亚发展中国家进行跨区域对比。

## 总结与启示

这项研究为空气质量指数的机器学习分类提供了有价值的基准测试结果。核心发现是：对于结构化环境传感器数据，梯度提升模型（特别是LightGBM）在准确率和计算效率之间取得了最佳平衡。这一结论对于资源有限的环境监测部门具有实际指导意义——在部署空气质量预警系统时，选择适当的算法架构可以显著提升预测性能。

同时，该项目的开源实现为相关领域的研究者和实践者提供了可复现的技术参考，体现了数据科学在环境可持续发展领域的应用潜力。