Improving Accuracy in PM2.5 Interpolation Using AI and ML
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Air quality prediction is increasingly critical, especially considering recent events like the Canadian Wildfires releasing hazardous particulate matter over the US. The growing awareness of AI and machine learning have been increasingly used to facilitate applications in scientific studies, notably PM2.5 retrieval. PM2.5 retrieval uses machine learning (ML) techniques to estimate accurate PM2.5 values by considering predictors such as meteorological variables. One of the challenges in PM2.5 retrieval is dealing with different predictors with varying spatial resolutions. Prior to retrieval, predictor variables needed to be interpolated into a uniform grid, which currently lacks a standardized and validated model. Different interpolation methods (Inverse Distance Weighting (IDW), Kriging, and Natural Neighbor) offer techniques for estimating values in PM2.5 retrieval. Understanding the results involves assessing the spatial behavior of the data and validating the interpolation methods using metrics like Root Mean Squared Error (RMSE) and R-squared (R2). In this study, different interpolation models in ArcGIS Pro were used to interpolate meteorological variables. The models employed estimated values at a uniform grid with a spatial resolution of 1 km x 1 km. Interpolation methods were carefully evaluated using validation metrics to assess their effectiveness and accuracy in capturing spatial patterns and variations at this resolution.
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.
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) | 0,001 | 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 découle