Regional Forecasting of Fine Particulate Matter Concentrations: A Novel Hybrid Model Based on Principal Component Regression and EOF
Notice bibliographique
Résumé
Abstract When many cities need quantitative forecasts of air quality to adjust industrial production plans and urbanization development, how to build an efficient forecast model remain a challenge. Methodology for quantitative prediction of air quality can no longer rely on single‐site observations, and thus approaches that require fewer input data and are more efficient and more reliable need to be explored. This paper proposes the principles and steps of a new model using the empirical orthogonal function (EOF) and principal component regression (PCR), which is a hybrid EOF‐PCR approach that decomposes the panel data of PM 2.5 and predictors into spatial structures (EOFs) and time expansion coefficients (ECs) by EOF analysis, establishes the PCR of the ECs of PM 2.5 , and simulates the PM 2.5 concentrations in each city by projecting the fitted ECs through EOFs. The very heart of the new model is the PCR modeling and projection. The results are presented for PM 2.5 concentrations over Jiangsu Province in eastern China. The results show that this EOF‐PCR model, which is based on EC1s with a cumulative variance contribution rate above 90%, has an average prediction accuracy of 65%. The model performs best in spring and autumn, better in summer and worst in winter. Most predictors have a maximum lag of a week, and they are quite different among seasons. Considering the influence of the spatial distributions of predictors, rather than covariates at a single site, this model can reflect regional influences and effectively improve the simulation effect.
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 | 0,000 | 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 | 0,001 |
| 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 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 ».