每天估计NO2度使用数字行驶表数据
Yoohyung Joo1, Minsoo Joo1, Minh Hieu Nguyen1
1Department of Civil and Environmental Engineering, Yonsei University, 50 Yonsei-Ro, Seodaemun-Gu, Seoul, 03722, South Korea.
Environmental monitoring and assessment
|October 28, 2024
概括
数字行驶记录仪 (DTG) 的实时交通数据显著改善了二氧化 (NO2) 的预测. 这种新的方法提供了精确的每日NO2预测,优于传统方法.
科学领域:
- 环境科学 环境科学
- 大数据分析大数据分析
- 空气质量监测 空气质量监测
背景情况:
- 估计二氧化 (NO2) 度依赖于交通数据,但传统方法是静态的,无法捕捉动态的交通变化.
- 静态交通数据限制了预测不断波动的NO2水平的准确性,影响环境和健康评估.
研究的目的:
- 开发和评估一种新的土地利用回归 (LUR) 模型,该模型包含来自数字行驶记录仪 (DTG) 的实时空间大数据.
- 将DTG-LUR模型的预测性能与传统的非DTG-LUR模型进行比较,以估计NO2度.
- 证明DTG数据在捕捉空间和时间流量变化的能力,以改善空气质量建模.
主要方法:
- 利用商用车辆安装的数字行驶记录仪 (DTG) 的实时空间大数据.
- 构建了一个基于DTG的土地使用回归 (LUR) 模型,整合了动态流量变量,如货物流量.
- 使用解释性功率指标,将DTG-LUR模型的性能与非DTG-LUR模型进行比较.
主要成果:
- DTG-LUR模型实现了0.46的优异解释力,而非DTG-LUR模型的解释力为0.36.
- 空间和时间动态的DTG变量,如货物运输,显著提高了模型性能.
- 该研究证明了DTG数据在预测每日NO2波动的优势,在精确的200米网格分辨率下.
结论:
- 将DTG数据纳入LUR模型提供了一种与NO2度相关的新有效方法.
- 实时空间大数据,特别是DTG数据,可以比传统方法更准确,更细致地预测空气污染.
- 这些发现突显了DTG数据用于细粒度空气质量分析的潜力,为每小时NO2预测铺平了道路.
更多相关视频
08:59Measuring Sub-23 Nanometer Real Driving Particle Number Emissions Using the Portable DownToTen Sampling System
Published on: May 22, 2020
5.4K
10:29Calibrated Passive Sampling - Multi-plot Field Measurements of NH3 Emissions with a Combination of Dynamic Tube Method and Passive Samplers
Published on: March 21, 2016
12.3K
