A New Method of Estimating Global PM2.5 Concentrations using Satellite Images
Notice bibliographique
Résumé
OPS 49: Air pollution exposure methods, Room 412, Floor 4, August 27, 2019, 10:30 AM - 12:00 PM Background: Few studies have examined deep learning image analysis for use in evaluating environmental exposures Methods: Here we present a new method of predicting spatial variations in outdoor fine particulate air pollution (PM2.5) concentrations using deep convolutional neural networks. Specifically, we trained new deep learning models over the global exposure range (<1-436 ug/m3) using a large database of satellite images paired with ground level PM2.5 measurements available from the World Health Organization. In addition, we trained models over the more limited exposure range of North America (<1-16 ug/m3) using a large database of satellite images linked to ground-level PM2.5 estimates obtained through remote sensing. Final model selection was based on a systematic evaluation of well-known architectures for the convolutional base including InceptionV3, Xception, and VGG16. Models were developed to predict continuous exposures as well as categorial estimates across ten ordinal categories of exposure split by deciles. Results: The Xception architecture performed best in both models. For the global model, a root mean square error (RMSE) value of 13.01 ug/m3 was observed with a strong correlation between measured and predicted values in the disjoint test set (R2=0.75). For North America, the RMSE value was 0.74 ug/m3 with an R2 value of 0.89. Conclusions: Our findings suggest that deep convolutional neural networks may offer an alternative, cost-effective means of predicting spatial variations in long-term average PM2.5 concentrations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».