Modeling generalized statistical distributions of PM2.5 concentrations during the COVID-19 pandemic in Jakarta, Indonesia
Notice bibliographique
Résumé
Understanding the probabilistic or statistical behavior of air concentrations is necessary for the effective management of air pollution, such as PM2.5. Failure to consider the appropriateness of the model can lead to making inferences that are not supported by scientific evidence. The main focus of this article is to find the best statistical distribution in fitting PM2.5 concentrations in the periods of February–June 2018 and February–June 2019 (the periods without COVID-19) and in the period of February–June 2020 (the period with COVID-19) in Jakarta, Indonesia. This article considers making an assessment of the performance of both generalized distributions (e.g., generalized gamma, generalized extreme value, and generalized log-logistic [GLL]) and classical distributions (such as lognormal [LN], gamma, Weibull, log-logistic, and Gumbel) in modeling daily concentrations of PM2.5 in the period of February–June 2020, or the period during which the COVID-19 pandemic is present, in Jakarta. For comparison purposes, this study also analyzed PM2.5 concentrations in the periods of February–June 2018 and February–June 2019. The comparative evaluation of the models of each period of data uses graphical analyses and goodness-of-fit statistics. The results of applications indicate that the generalized distributions fit the data better than do the classical distributions. Particularly, compared with the classical distributions, including the LN model, the GLL distribution is the most appropriate model in fitting PM2.5 concentrations in the periods without and during the period with COVID-19 in Jakarta, Indonesia.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».