Assessing the Potential of Artificial Intelligence (Artificial Neural Networks) in Predicting the Spatiotemporal Pattern of Wildfire-Generated PM2.5 Concentration
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».