Analysis of PM<sub>10</sub> air pollution in Brno based on generalized linear model with strongly rank‐deficient design matrix
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract An analysis of air pollution by suspended particulate matter (PM 10 ) in Brno, the second largest urban agglomeration of the Czech Republic, based on generalized linear model (GLM) is presented. Average daily concentrations coming from PM 10 monitoring for the period 1998–2005 have been processed. The measured meteorological factors: air temperature and humidity, direction and wind speed were considered as covariates along with some additional seasonal factors. Three standard and six GLMs with strongly rank‐deficient design matrix have been applied. The rank deficiency is due to overparameterization which allows one more precise modeling involving, among others, identification of significant air pollution sources (PSs). From each of them the parameter estimates were obtained using both standard estimation procedure and a new sparse parameter estimation technique based on a four‐step modification of the basis pursuit algorithm originally suggested for time‐scale analysis of digital signals. As the standard estimation algorithms often fail due to numerical instability caused by strong overparameterization, we have applied this new computationally intensive approach allowing us to reliably identify nearly zero parameters in the model and thus to find numerically stable sparse solutions. The goal of the analysis was to identify the model and algorithm yielding most precise 1‐day forecasts of the level of pollution by PM 10 with regard to the meteorological and seasonal covariates. Copyright © 2009 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle