一个修剪的前神经网络 (pruned-FNN) 方法来测量空气污染暴露
Xi Gong1, Lin Liu2, Yanhong Huang3
1Department of Geography & Environmental Studies, UNM Center for the Advancement of Spatial Informatics Research and Education (ASPIRE), University of New Mexico, Albuquerque, NM, 87131, USA. xigong@unm.edu.
Environmental monitoring and assessment
|September 11, 2023
概括
一个新的修剪前神经网络 (pruned-FNN) 准确地估计了空气污染的暴露. 这种方法为环境流行病学研究提供了准确性,可用性和效率的平衡.
科学领域:
- 环境流行病学环境流行病学
- 大气科学 大气科学
- 计算建模计算建模
背景情况:
- 准确的空气污染暴露评估对于环境流行病学至关重要.
- 从排放到个体暴露的复杂,非线性路径带来了建模挑战.
- 现有的模型可能在准确性,复杂性和可用性方面缺乏平衡.
研究的目的:
- 开发一种新的空气污染暴露评估模型.
- 在曝光建模中平衡准确性,复杂性和可用性.
- 利用神经网络进行增强的暴露估计.
主要方法:
- 采用一个定制设计的修剪前神经网络 (pruned-FNN).
- 输入变量包括排放数据,地形,气象和近距离.
- 模型性能通过交叉验证与地面监测记录进行验证.
主要成果:
- 修剪的FNN与监测的空气污染物度 (斯皮尔曼的rho ≈0.91) 取得了高而稳定的相关性.
- 95.5%的预测污染暴露指数 (PEI) 有相对误差<10%,有足够的数据.
- 该模型以灵活的变量使用和较少的数据展示了准确性.
结论:
- 修剪后的FNN是一种有效和适当的空气污染暴露评估方法.
- 这种方法为大规模的长期研究提供了成本和时间高效的解决方案.
- 修剪后的FNN提供了准确的暴露估计,并改善了可用性.
更多相关视频
09:33Visualizing Field Data Collection Procedures of Exposure and Biomarker Assessments for the Household Air Pollution Intervention Network Trial in India
Published on: December 23, 2022
2.3K
05:18Measuring Carbon Content in Airway Macrophages Exposed to Carbon-Containing Particulate Matters
Published on: July 12, 2024
334
