Spatial modelling and analysis can assist in improving the decision-making process of mitigating bad air quality. One of Malaysia's most harmful air pollutants is particulate matter (PM), which has been used to denote the Air Pollutant Index (API) for over 20 years. The spatial prediction of particulate matter less than 10 μm (PM10) hotspots is crucial to be assessed as it adversely affects human health and the environment. Advanced prediction of PM10 hotspots can ensure adequate preparedness for air quality management and minimize its effects. The PM10 data acquired for 2012–2016 in Malaysia's urbanized and populated state, Selangor, was used for the modelling. The PM10 was modelled using remote sensing data such as elevation, slope, road density, Soil Adjusted Vegetation Index, Normalized difference Vegetation Index, built-up index, land surface temperature, and wind speed. Spatial modelling of the PM10 hotspot was done using a Naïve Bayes (NB), Random Forest (RF), and K-Nearest Neighbour (KNN) algorithms. Results revealed a good prediction of PM10 hotspot with model performance for KNN, RF, and NB are in terms of specificity: 0.98, 0.99, 0.92; precision: 0.98, 0.99, 0,92; recall: 0.94, 0.98, 0.91; and the overall accuracy is 0.9, 0.98, 0.91, respectively. The PM10 hotspot map produced by the RF model indicates that urbanized and industrialized areas have high PM10 concentration, which characterizes the harmful effect of air pollutants in urbanized regions. These models can therefore be used for spatial assessment of PM supporting the Sustainable Development Goal (SDG) 11 on Sustainable Cities and Communities.

空间建模和分析有助于改进减轻不良空气质量的决策过程。马来西亚最有害的空气污染物之一是颗粒物 (PM)，20 多年来，它一直被用来表示空气污染物指数 (API)。小于 10 μm 的颗粒物 (PM10) 热点的空间预测对于评估至关重要，因为它会对人类健康和环境产生不利影响。PM10 热点的高级预测可以确保为空气质量管理做好充分准备并将其影响降至最低。2012-2016 年在马来西亚城市化和人口稠密的雪兰莪州获得的 PM10 数据用于建模。PM10 使用遥感数据建模，例如海拔、坡度、道路密度、土壤调整植被指数、归一化差异植被指数、建成指数、地表温度和风速。PM10 热点的空间建模是使用朴素贝叶斯 (NB)、随机森林 (RF) 和 K-最近邻 (KNN) 算法完成的。结果表明，KNN、RF 和 NB 的模型性能对 PM10 热点的预测很好，在特异性方面：0.98、0.99、0.92；精度：0.98、0.99、0,92；召回率：0.94、0.98、0.91；整体精度分别为0.9、0.98、0.91。RF模型产生的PM10热点图表明，城市化和工业化地区PM10浓度较高，表征了城市化地区空气污染物的有害影响。因此，这些模型可用于支持可持续发展目标 (SDG) 11 关于可持续城市和社区的 PM 空间评估。PM10 热点的空间建模是使用朴素贝叶斯 (NB)、随机森林 (RF) 和 K-最近邻 (KNN) 算法完成的。结果表明，KNN、RF 和 NB 的模型性能对 PM10 热点的预测很好，在特异性方面：0.98、0.99、0.92；精度：0.98、0.99、0,92；召回率：0.94、0.98、0.91；整体精度分别为0.9、0.98、0.91。RF模型产生的PM10热点图表明，城市化和工业化地区PM10浓度较高，表征了城市化地区空气污染物的有害影响。因此，这些模型可用于支持可持续发展目标 (SDG) 11 关于可持续城市和社区的 PM 空间评估。PM10 热点的空间建模是使用朴素贝叶斯 (NB)、随机森林 (RF) 和 K-最近邻 (KNN) 算法完成的。结果表明，KNN、RF 和 NB 的模型性能对 PM10 热点的预测很好，在特异性方面：0.98、0.99、0.92；精度：0.98、0.99、0,92；召回率：0.94、0.98、0.91；整体精度分别为0.9、0.98、0.91。RF模型产生的PM10热点图表明，城市化和工业化地区PM10浓度较高，表征了城市化地区空气污染物的有害影响。因此，这些模型可用于支持可持续发展目标 (SDG) 11 关于可持续城市和社区的 PM 空间评估。结果表明，KNN、RF 和 NB 的模型性能对 PM10 热点的预测很好，在特异性方面：0.98、0.99、0.92；精度：0.98、0.99、0,92；召回率：0.94、0.98、0.91；整体精度分别为0.9、0.98、0.91。RF模型产生的PM10热点图表明，城市化和工业化地区PM10浓度较高，表征了城市化地区空气污染物的有害影响。因此，这些模型可用于支持可持续发展目标 (SDG) 11 关于可持续城市和社区的 PM 空间评估。结果表明，KNN、RF 和 NB 的模型性能对 PM10 热点的预测很好，在特异性方面：0.98、0.99、0.92；精度：0.98、0.99、0,92；召回率：0.94、0.98、0.91；整体精度分别为0.9、0.98、0.91。RF模型产生的PM10热点图表明，城市化和工业化地区PM10浓度较高，表征了城市化地区空气污染物的有害影响。因此，这些模型可用于支持可持续发展目标 (SDG) 11 关于可持续城市和社区的 PM 空间评估。分别。RF模型产生的PM10热点图表明，城市化和工业化地区PM10浓度较高，表征了城市化地区空气污染物的有害影响。因此，这些模型可用于支持可持续发展目标 (SDG) 11 关于可持续城市和社区的 PM 空间评估。分别。RF模型产生的PM10热点图表明，城市化和工业化地区PM10浓度较高，表征了城市化地区空气污染物的有害影响。因此，这些模型可用于支持可持续发展目标 (SDG) 11 关于可持续城市和社区的 PM 空间评估。