Convolutional neural network-based deep learning model for air quality prediction in October city of Egypt
Notice bibliographique
Résumé
Purpose Modern human society has continuous advancements that have a negative impact on the quality of the air. Daily transportation, industrial and residential operations churn up dangerous contaminants in our surroundings. Addressing air pollution issues is critical for human health and ecosystems, particularly in developing countries such as Egypt. Excessive levels of pollutants have been linked to a variety of circulatory, respiratory and nervous illnesses. To this end, the purpose of this research paper is to forecast air pollution concentrations in Egypt based on time series analysis. Design/methodology/approach Deep learning models are leveraged to analyze air quality time series in the 6th of October City, Egypt. In this regard, convolutional neural network (CNN), long short-term memory network and multilayer perceptron neural network models are used to forecast the overall concentrations of sulfur dioxide (SO2) and particulate matter 10 µm in diameter (PM10). The models are trained and validated by using monthly data available from the Egyptian Environmental Affairs Agency between December 2014 and July 2020. The performance measures such as determination coefficient, root mean square error and mean absolute error are used to evaluate the outcomes of models. Findings The CNN model exhibits the best performance in terms of forecasting pollutant concentrations 3, 6, 9 and 12 months ahead. Finally, using data from December 2014 to July 2021, the CNN model is used to anticipate the pollutant concentrations 12 months ahead. In July 2022, the overall concentrations of SO2 and PM10 are expected to reach 10 and 127 µg/m3, respectively. The developed model could aid decision-makers, practitioners and local authorities in planning and implementing various interventions to mitigate their negative influences on the population and environment. Originality/value This research introduces the development of an efficient time-series model that can project the future concentrations of particulate and gaseous air pollutants in Egypt. This research study offers the first time application of deep learning models to forecast the air quality in Egypt. This research study examines the performance of machine learning approaches and deep learning techniques to forecast sulfur dioxide and particular matter concentrations using standard performance metrics.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».