NO<sup>2</sup> Concentration Modelling Using Meteorological and Traffic Features.
Notice bibliographique
Résumé
The constantly evolving urban areas also increase the concentration of emission gases. This fact has an adverse effect on habitants' health and life quality. A scientific basis, such as the development of accurate and adequate models of air pollution, is necessary to be able to influence decision-makers in such a way that real actions to improve air quality are carried out. Therefore, creating and improving models describing this phenomenon is extremely important. Both linear (Multiple Linear Regression) and non -linear methods (Random Forest) were used for modelling concentrations of pollutants in atmosphere. Based on the traffic, meteorological and pollution data from 2015 -2020 in Wrocaw, it was shown that it is possible to predict concentration of NO2 with high accuracy: R 2 statistic reaches 88% while predicting daily average concentration using Random Forest methodology. Multiple Linear Regression provides worse fit and is biased by necessity to comply with its statistical restraints. Regardless of its costs it provides explicit interpretation of each factor in model. It was shown that there is a strong correlation between pollutants concentration and traffic volume as well as meteorological factors. Models perform significantly better when to the set of predictors concentrations of other pollutants are included. Modelling every natural phenomenon is a very challenging task. In order to excel, the further study in the area of models' optimalization, investigation relationships naturally occurring, and including new variables must be performed.
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 | 0,000 |
| 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 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 ».