Insignificant Changes in Particulate Matter during the COVID-19 Lockdown: A Machine Learning Study in Zagreb, Croatia
Notice bibliographique
Résumé
In this paper we present an approach to investigate changes in concentration of particulate matter (PM) mass concentrations during the COVID-19 lockdown. Concentrations of PM1, PM2.5 and PM10 were measured in an urban background sampling site on the north of Zagreb from 2009 to late 2020 on a 24h basis. The concentrations were fed alongside meteorological and temporal data to Random Forest (RF) models tuned by Bayesian optimization. The models' predictions were subsequently de-weathered by meteorological normalization using repeated random resampling of all predictive variables except the trend variable. We examined three pollution periods in 2020 in detail: January and February, as pre-lockdown, the month of April as the lockdown period, as well as June and July as the "new normal". We conducted an evaluation using normalized mass concentrations of particulate matter and Analysis of variance (ANOVA). The results showed that no significant difference (p = 0.33) was observed for PM2.5 and PM10 in April 2020 -compared to the same period in 2018 and 2019. The noticeable change in PM1 was observed in the same period related to a higher normalized concentration in 2018, but no difference between 2019 and 2020. No significant changes were observed for the "new normal" as well. Our results thus lead to the assumption that a reduction in mobility during COVID-19 lockdown did not significantly affect particulate matter concentration in long-term.
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 | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 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 ».