.png){kind=icon}
返回
Exploring nitrogen dioxide spatial concentration via physics-informed multiple quantile regression
.png){kind=icon}
OA
AI
DOI：10.1007/s10651-025-00664-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
了解空气污染物（如二氧化氮（$$\hbox {NO}_2$$））的空间分布对于评估环境和健康影响至关重要，特别是在人口密集和工业化的地区。本文介绍了一种用于估计多个空间分位数的新方法，该方法确保了所得估计值的单调性。所提出的模型基于分位数回归的最新进展，并结合了被分析现象的物理信息，以应对环境数据中通常表现出的各向异性、非平稳性和偏态性等挑战。例如，在研究空气污染物浓度的过程中，该模型允许纳入与空气环流相关的信息，特别是对污染物浓度产生显著影响的风流物理特性。此外，分位数图的单调估计能够实现污染物概率密度函数在任意空间位置上的完全非参数重建。进而，这有助于构建概率地图，量化超越政策制定者设定的监管阈值的可能性，为旨在减轻空气污染不利影响的环境监测政策提供有价值的信息。
Keyword:
Air pollution
Nonparametric regression
Simultaneous quantile estimation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
1.8
论文数:
1.0K
被引数:
1.1K
机构
引用论文
Hierarchical bayesian models for predicting the spread of ecological processes分层贝叶斯模型预测生态过程扩散.png)
IF0
PREAI
分享收藏分享收藏分享收藏分享收藏
查看更多内容