近日，建筑与艺术学院教师张雨洋、梁玮男在国际知名环境健康期刊《Environmental Research》发表了题为《Predicting highly dynamic traffic noise using rotating mobile monitoring and machine learning method》（使用旋转移动监测和机器学习方法预测高动态交通噪声）的最新研究成果（doi.org/10.1016/j.envres.2023.115896）。《Environmental Research》在Webof Science收录的325种环境科学期刊中排名第19，IF=8.431,是中科院2区TOP期刊，JCR-Q1期刊。拉斯维加斯赌场全体验,澳门十大信誉平台：为第一作者单位，张雨洋博士为第一作者。

以高度波动性为特征的交通噪声是世界上第二大环境问题。高度动态的噪声地图对于管理交通噪声污染具有较高价值，但在创建这些地图时存在两个关键困难：缺乏大量精细的噪声监测数据和在没有噪声监测数据的情况下精准预测噪声水平的能力。本研究提出了一种新的噪声监测方法--旋转移动监测（或称为重复固定监测）法，它结合了固定和移动监测方法的优点，扩大了噪声数据的空间范围和时间分辨率。

本研究在北京海淀区进行了一次监测活动，覆盖了54.79公里的道路和22.15平方公里的总面积，从152个固定采样点收集了18213个1s间隔的A加权等效噪声（LAeq）测量值。此外，还从所有移动监测道路和固定地点收集了街景图像、气象数据和建筑环境数据。使用计算机视觉和GIS分析工具，在四个类别中测量了49个预测变量，包括微观交通组成、街道形式、土地利用和气象。训练了六个机器学习模型和线性回归模型来预测LAeq，其中随机森林模型表现最好（R2 = 0.72，RMSE = 3.28 dB），其次是K-近邻回归模型（R2 = 0.66，RMSE = 3.43 dB）。最佳的随机森林模型确定了到主要道路的距离、街道绿视率指数和过去3秒内汽车的最大视野比例为排名前三的贡献因素。最后，该模型被应用于生成研究区域的点和街道层面的9天交通噪声地图。该研究很容易复制，可以扩展到更大的空间范围，以获得高度动态的噪声地图。

全文链接:

https://www.sciencedirect.com/science/article/abs/pii/S0013935123006886?via%3Dihub

引用格式：

Zhang, Y., Zhao, H., Li, Y., Long, Y., & Liang, W. (2023). Predicting highly dynamic traffic noise using rotating mobile monitoring and machine learning method.Environmental Research, 115896.

编辑：左芳舟