PM10 CONCENTRATION PREDICTION FOR AREAS WITH NO UPDATING MONITORING SYSTEM USING AUTO – REGRESSIVEGROUP METHOD OF DATA HANDLING NEURAL NETWORK
Notice bibliographique
Résumé
Introduction: Predicting PM10 concentration as a significant risk factor for anumber of pollution related diseases has been recently inevitable task for areas with high population density particularly for areas with no updating monitoring systems. This study aims to illustrate how PM10 concentration level can be predicted by the prior information of the air pollutants and the meteorologicalfactors in urban areas. Materials and methods: The data we used are measured from four monitoringstations in the city of Tehran between January 2012 and December 2014. We use the Auto-regressive group method of data handling (AR - GMDH) neuralnetwork approach which employees the prior stationary time series data setting. Results: Our results demonstrate that PM10 concentration level for a specific dayis more likely to be predictable by sulfur dioxide (SO2) and nitrogen dioxide (NO2) than the carbon monoxide (CO) concentrations, and also show thatPM10 concentration is positively associated with precipitation and wind speedand with high temperature. The accuracy of the predicted values of the PM10 concentration is evaluated by inspecting the coefficient of determination, meansquared error, the square root of mean squared error, mean absolute deviation, and index of agreement. Conclusions: The AR - GMDH algorithm can be proposedin comparison with the chemical and physical approaches due to its accuracyand simplicity, and its cost efficiency.
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.
Comment cette classification a été obtenuedéplier
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,003 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».