Estimation of daily NO2 with explainable machine learning model in China, 2007-202
Notice bibliographique
Résumé
Surface nitrogen dioxide (NO2) is an effective indicator of anthropogenic combustion and is associated with regional burden of disease. Though satellite-borne column NO2 is widely used to acquire surface concentration through the integration of sophisticated models, long-term and full-coverage estimation is hindered by the incomplete retrieval of satellite data. Moreover, the mechanical relationship between surface and tropospheric NO2 is often ignored in the context of machine learning (ML) approach. Here we develop a gap-filling method to obtain full-coverage column NO2 by fusing satellite data from different sources. The surface NO2 is then estimated during 2007-2020 in China using the XGBoost model, with daily out-of-sample cross-validation (CV) R2 of 0.75 and root-mean-square error (RMSE) of 9.11 µg/m3. The back-extrapolation performance is verified through by-year CV (daily R2 = 0.60 and RMSE = 11.46 µg/m3) and external estimations in Taiwan before 2013 (daily R2 = 0.69 and RMSE = 8.59 µg/m3). We explore the variable impacts in three hotspots of eastern China through SHAP (Shapley additive explanation) values. We find the driving contributions of column NO2 to the variation of ground pollution during 2007-2020 (average SHAP = 5.09 µg/m3 compared with the baseline concentration of 33.39 µg/m3). The estimated effect is also compared with ordinary least squares (OLS) model to provide a straightforward understanding. The related health burden is further calculated by using the annual NO2. We demonstrate the employment of explainable ML model is beneficial for comprehend the coupled relationship in surface NO2 change.
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) | 0,000 | 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 ».