Assessing the Potential of Artificial Intelligence (Artificial Neural Networks) in Predicting the Spatiotemporal Pattern of Wildfire-Generated PM2.5 Concentration
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
To evaluate the health effects of wildfire smoke, it is crucial to identify reliable models, at fine spatiotemporal resolution, of exposure to wildfire-generated PM2.5. To this end, satellite-drived aerosol optical depth (AOD) measurements are widely used in exposure models, providing long and short-term PM2.5 predictions. Multiple regression models, specifically land use regression (LUR), incorporating AOD images have shown good potential for estimating long-term PM2.5 exposure, but less so for short-term predictions. In this study, we developed artificial neural networks (ANNs) and, in particular, multilayer perceptron (MLP) by integrating ground-based PM2.5 measurements with AOD images and meteorological and spatial variables. Moreover, we used spatial- and temporal-ANNs to investigate and compare the ANNs’ ability to predict different PM2.5 concentration levels caused by abrupt spatial and temporal changes in fire smoke. The study herein analyzes and compares the viability of previously established neural network approaches in predicting short-term PM2.5 exposure during the 2014–2017 wildfire seasons in the province of Alberta, Canada. The performance of ANNs is also compared to classical models, including simple correlation (PM2.5 vs. AOD) and multiple linear regression (MLR) including meteorological and land-use predictors (MET_AOD_LUR). Our study shows that ANN achieved a 15% to 113% R2 increase compared to competing models.
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 | 0,001 | 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) | 0,000 | 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