Factors influencing ambient particulate matter in Delhi, India: Insights from machine learning
Notice bibliographique
Résumé
Concentrations of ambient particulate matter (PM) depend on various factors including emissions of primary pollutants, meteorology and chemical transformations. New Delhi, India is the most polluted megacity in the world and routinely experiences extreme pollution episodes. As part of the Delhi Aerosol Supersite study, we measured online continuous PM1 (particulate matter of size less than 1 μm) concentrations and composition for over five years starting January 2017, using an Aerosol Chemical Speciation Monitor (ACSM). Here, we describe the development and application of machine learning models using random forest regression to estimate the concentrations, composition, sources and dynamics of PM in Delhi. These models estimate PM1 species concentrations based on meteorological parameters including ambient temperature, relative humidity, planetary boundary layer height, wind speed, wind direction, precipitation, agricultural burning fire counts, solar radiation and cloud cover. We used hour of day, day of week and month of year as proxies for time-dependent emissions (e.g., emissions from traffic during rush hours). We demonstrate the applicability of these models to capture temporal variability of the PM1 species, to understand the influence of individual factors via sensitivity analyses, and to separate impacts of the COVID-19 lockdowns and associated activity restrictions from impacts of other factors. Our models provide new insights into the factors influencing ambient PM1 in New Delhi, India, demonstrating the power of machine learning models in atmospheric science applications.Copyright © 2023 American Association for Aerosol Research
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 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».