Research progress, challenges, and prospects of PM<sub>2.5</sub> concentration estimation using satellite data
Notice bibliographique
Résumé
Satellite data are vital for understanding the large-scale spatial distribution of particulate matter (PM 2.5 ) due to their low cost, wide coverage, and all-weather capability. Estimation of PM 2.5 using satellite aerosol optical depth (AOD) products is a popular method. In this paper, we review the PM 2.5 estimation process based on satellite AOD data in terms of data sources (i.e., inversion algorithms, data sets, and interpolation methods), estimation models (i.e., statistical regression, chemical transport models, machine learning, and combinatorial analysis), and modeling validation (i.e., four types of cross-validation (CV) methods). We found that the accuracy of time-based CV is lower than others. We found significant differences in modeling accuracy between different seasons ( p < 0.01) and different spatial resolutions ( p < 0.01). We explain these phenomena in this article. Finally, we summarize the research process, present challenges, and future directions in this field. We opine that low-cost mobile devices combined with transfer learning or hybrid modeling offer research opportunities in areas with limited PM 2.5 monitoring stations and historical PM 2.5 estimation. These methods can be a good choice for air pollution estimation in developing countries. The purpose of this study is to provide a basic framework for future researchers to conduct relevant research, enabling them to understand current research progress and future research directions.
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 | 0,009 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».