Mere præcis detektion af hotspot -klynger giver ny indsigt i luftforureningens adfærd

En mere pålidelig metode til at identificere regioner med forskellige sammenhænge mellem luftforurening og vejrforhold forbedrer påvisningen af ​​forureningshotspots.

Forholdet mellem vejrforhold og luftforurening er komplekst og kan variere voldsomt fra sted til sted. Dette gør det svært at lokalisere forureningskilderne og forudsige dens adfærd i atmosfæren. Mens datavidenskabsfolk og statistikere har gjort betydelige fremskridt med at kæmpe med dette problem, de enorme mængder miljødata og mange variabler, såsom vindhastighed, temperatur og forureningskomponent, kræver kompromiser for at gøre problemet håndterbart.

For eksempel, de fleste eksisterende tilgange til at detektere "hotspots" i korrelationen mellem variabler i rumlige data involverer konstruktion af et gitter, hvori forholdet mellem variabler i en celle behandles uafhængigt af alle andre. Selvom dette ikke er helt realistisk - der er ofte afhængighed mellem rumlige områder især i vejr- og luftforureningsdata - er det ekstraordinært svært at finde rumlige hotspots og bestemme den rumlige afhængighedsstruktur på samme tid.

Ying Sun og Junho Lee fra KAUSTs miljøstatistiklaboratorium har taget et spring fremad for at løse dette problem med udviklingen af ​​en "blandet effektmodel" til hotspot -detektion.

"Vi løser problemet ved at bruge en simpel rumlig blokstruktur til at tilnærme den rumlige afhængighed, "siger Lee." Dette giver os mulighed for at finde rumlige hotspots, der viser forskellige mønstre, samtidig med at antallet af falske positiver reduceres på grund af rumlig afhængighed. "

Tilgangen, udviklet i samarbejde med Howard Chang fra Emory University i USA, involverer at opdele regionen i blokke og sekventielt anvende tilfældige effekter på blokkene for at drille stærke sammenhænge fra baggrundsvariabilitet eller "støj". Dette har den ekstra fordel at kunne identificere et vilkårligt antal hotspot -klynger i dataene, herunder klynger, der kan overlappe hinanden.

"Hovedudfordringen var, hvordan man besluttede en passende blokstørrelse til tilfældige effekter, "siger Lee." Vi besluttede os for at matche blokstørrelsen til området for rumlig afhængighed i dataene. "

Teamet anvendte deres metode til at analysere luftforureningsdata i det nordøstlige USA. De fandt ud af, at om sommeren koncentrationerne af partikler i mikrometer i luften (PM2,5) steg med temperaturen og faldt med relativ fugtighed i det meste af regionen.

"Imidlertid, med vores tilgang, vi kunne finde forskellige områder med den modsatte tendens, såsom i Chesapeake Bay -området, hvor der er en negativ sammenhæng mellem PM2,5 og temperatur, og omkring Maine, hvor der er en positiv sammenhæng mellem PM2,5 og relativ luftfugtighed, "siger Lee.