Comparative Performance of Different Statistical Models for Predicting Ground-Level Ozone (O3) and Fine Particulate Matter (PM2.5) Concentrations in Montréal, Canada
Notice bibliographique
Résumé
Ground-level ozone (O3) and fine particulate matter (PM2.5) are two air pollutants known to reduce visibility, to have damaging effects on building materials and adverse impacts on human health. O3 is the result of a series of complex chemical reactions between nitrogen oxides (NOx) and volatile organic compounds (VOCs) in the presence of solar radiation. PM is a class of airborne contaminants composed of sulphate, nitrate, ammonium, crustal components and trace amounts of microorganisms. PM2.5 is the respirable subgroup of PM having an aerodynamic diameter of less than 2.5 μm. Development of effective forecasting models for ground-level O3 and PM2.5 is important to warn the public about potentially harmful or unhealthy concentration levels. \n \nThe objectives of this study is to investigate the applicability of Multiple Linear Regression (MLR), Principle Component Regression (PCR), Multivariate Adaptive Regression Splines (MARS), feed-forward Artificial Neural Networks (ANN) and hybrid Principal Component – Artificial Neural Networks (PC-ANN) models to predict concentrations of O3 and PM2.5 in Montréal (Canada). Air quality and meteorological data is obtained from the Réseau de surveillance de la qualité de l’air (RSQA) for the Airport Station (45°28′N, 73°44′W) and the Maisonneuve Station (45°30′N, 73°34′W) for the period January 2004 to December 2007. Air pollution data include concentration values for nitrogen monoxide (NO), nitrogen dioxide (NO2), carbon monoxide (CO) and 142 different volatile organic compounds. Meteorological data include solar irradiation (SR), temperature (Temp), pressure (Press), dew point (DP), precipitation (Precip), wind speed (WS) and wind direction (WD). \n \nAnalysis of the available volatile organic compound data expressed on a propylene-equivalent concentration indicated that m/p-xylene, toluene, propylene and (1,2,4)-trimethylbenzene were species with the most significant ozone forming potential in the study area. \n \nDifferent models and architectures have been investigated through five case studies. Predictive performances of each model have been measured by means of performance metrics and forecast success rates. Overall, MARS models allowing second order interaction of independent basis functions yielded lower error, higher correlation and higher forecast success rates. This study indicates that models based on statistical methods can be cost-effective tools to forecast ground-level O3 and PM2.5 in Montréal and to provide support for decision makers in protecting human health.
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 | 0,000 | 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 | 0,000 |
| 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 ».