A Hybrid Deep Learning Model for Forecasting PM2.5 Concentrations in Northern Thailand from Satellite Images
Notice bibliographique
Résumé
Air pollution is a significant environmental issue with extensive impacts, particularly concerning particulate matter smaller than 2.5 microns (PM2.5), which poses serious public health risks,especially respiratory diseases such as various diseases, ischemic heart disease, strokes, chronic obstructive pulmonary disease, tracheal, bronchus, lung cancer, and even increased premature death rates. Northern Thailand is one of the areas with the most severe PM2.5 problems, especially during the summer (February to May), primarily due to the large amount of agricultural field burning and forest fires by ethnic groups after the harvest season.This research proposes a hybrid model of Convolution Neural Network (CNN) and Long Short-Term Memory (LSTM) for PM2.5 concentration forecasting using satellite images of four environmental variables: aerosol optical depth, temperature, precipitation, and ozone. These variables are important factors in the occurrence of PM2.5. The efficiency of the CNN-LSTM model was assessed by comparing performance with classification deep learning models (CNN, LSTM), Seasonal Autoregressive Integrated Moving Average with Exogenous Variables (SARIMAX), and Multiple Linear Regression (MLR). The findings indicate that The CNN-LSTM model achieves higher accuracy than the other models, achieving an R2 of 98.38%, MAPE of 2.47%, and significantly lower RMSE (3.0672 μg/m3) and MAE (0.8560 μg/m3). In conclusion, this research highlights the important implications of supporting government policy formulation and public preparedness to address the PM2.5 problem, which varies in severity across seasons.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».