Adjustment of statistical distributions to O3 and NO2 concentrations in the pre-COVID-19 periods and during the pandemic in Campo Grande, MS, Brazil
Notice bibliographique
Résumé
COVID-19 has triggered a series of studies based on environmental factors that may influence its dissemination. Among them, the role of air pollution and climate variables in the dissemination of SARS-CoV-2 stands out. Campo Grande (MS), located in the Central-West region of Brazil, offers a scenario to investigate such relationships. This study evaluated the relationship between ozone (O3) and nitrogen dioxide (NO2) concentrations, meteorological variables, and confirmed cases of COVID-19, focusing on the statistical modeling of the distributions of these pollutants in the periods before and after COVID-19. Daily time series of O3, NO2, temperature, relative humidity, precipitation, and COVID-19 data were analyzed, referring to the period from January to March 2020. Probabilistic models (log-normal, gamma, Weibull, Gumbel, and log-logistic) were applied and evaluated based on the Akaike and Bayesian information criteria to identify the best-fit statistical distribution for the pollutants. The results showed a negative correlation of COVID-19 with humidity and precipitation and a positive correlation with temperature, O3 and NO2. An increase in the mean concentrations of O3 (+2.7 DU) and NO2 (+3.731015 molecules/cm2) was observed during COVID-19. The log-normal distribution was best suited to O3, while the Gumbel distribution performed best for NO2.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».