文摘

交通在大气污染中起着重要的作用,可以用作空气质量预测模型的关键因素之一。模型可以占交通的作用尤其有价值的在城市地区,高污染物浓度往往在一天中的特定时间内观察到(高峰)和一年(冬季)。在本文中,我们开发一个广义可加模型的方法来分析二氧化氮浓度(没有的行为₂),可吸入颗粒物(PM₁₀),收集环境监测站分布在整个城市都灵,意大利,2003年12月到2005年4月。我们描述预测指标和污染物之间的非线性关系,难以察觉的时变混杂因素调整的。我们检查一些交通变量函数形式,发现一个简单的表单通常可以提供足够的建模能力。我们的分析表明,有一个饱和流量的影响₂模型中,尽管这类饱和度明显连接流量点₁₀行为,协变量调整后的气象。此外,我们认为该模型分别由季节和突出预测指标的异同的部分影响。最后,我们展示如何预测可以帮助在评估交通管制政策。

1。介绍

空气污染对人类健康和环境的影响一直是核心问题之一在环境公共政策和决策1- - - - - -5]。例如,欧盟每年任务要求改善环境质量、环境技术和更低的排放标准,支持科学研究和发展(6- - - - - -9]虽然最近空气质量指令(10要求信息对当前天空气质量趋势和预测第二天被公开。同样,美国决策者和行业领袖最近开始建立可再生能源和环境保护研究项目在全国大学和政府机构。

了解污染物的行为和理解的组件污染物浓度的变化可以说是空气质量的最重要的目标研究公共政策的目的。例如,了解污染物浓度变化对强度和交通模式将使政策制定者评估实施某些交通管制措施的后果。然而,如果交通等干预措施正在考虑或评估,是至关重要的也占这些过程与结果共变(污染物)以及监管(交通)变量。混杂等交通和空气污染的研究流程可能包括气象、健康、社会和其他社会层面流程影响污染和交通体积。这些混杂因素是不幸的是经常未被注意的,例如,哮喘,流感,或其他疾病活动,让人们呆在家里越来越少开车,也是发生在冬季当烟雾和空气污染高,因此与交通模式的共变的水平和污染是很难确定的。然而,不占这些混杂因素将隐藏的真正兴趣,yield-biased估计的影响监管效果。

在都灵市区空气质量担忧,早先的污染分析检测一氧化碳(CO)浓度和交通量在都灵的大都市,如Bertaccini et al。11)使用季节性线性回归模型为每个站监控有限公司随后,Fasso et al。12]研究相同的问题使用一个线性向量自回归模型,并进行了敏感性分析来描述交通和气象学的相对作用,通过各自的主成分。相反,金姆和Guldmann [13)评估的重要性风向的空气污染浓度通过土地利用回归模型借助于地理信息系统。他们分析了污染与交通(定义为vehicle-kilometers-traveled由风向频率加权)通过拟合线性回归模型对不同大小的缓冲区。

然而,有时在市级流程建模(广义)线性模型并不是最合适的。尽管化学和物理动力学过程是确定的,当地的行为非常难以理解和正常模式。因此,它将有利于考虑统计替代确定性differential-equation-based建模的污染。程度上,广义可加模型,或者GAM (14),提供一个替代它不仅能够灵活建模污染浓度和预测之间的关系,还预测因子之间的关系。这种方法可以灵活地近似复杂的物理和化学过程共变交通和污染之间的关系。此外,GAM可以占光滑时变过程反映变化缓慢的混杂因素相对于感兴趣的预测,包括“时间”作为一个灵活(但顺利)建模预测。因此,尽管有很多司机在都灵的空气污染(一些观察和测量并不是衡量),GAM的灵活性的方法使我们能够捕捉和量化的角色一个驱动程序(交通),而不干扰其他的司机(混杂因素)。

虽然广义可加模型已经广泛使用的标准方法研究污染和健康(见,例如,开创性的工作15]),他们最近才被引入到空气污染模拟流量和气象的影响,如工作Carslaw et al。16]。作者发现,最重要的因素之一是灵活的风速和风向之间的相互作用,由于峡谷附近建筑的影响。他们的分析证实了风在污染物扩散的重要作用和在描述污染物浓度的变化由于气象条件的变化。同样,奥尔德林和Hobæk泻湖(17]使用广义可加模型分别对不同污染物在不同的位置在奥斯陆市区,使用流量和meteorological-observed数据。然后他们GAM适用于评估盐街上的效果与氯化镁(冬天冰条件)颗粒物浓度(18),这表明它可能是一个有用的措施来降低点的公路隧道。最近,超细粒子浓度在芬兰赫尔辛基和时间趋势的检查与降雨的关系和其他气象变量Clifford et al。5)和Mlgaard et al。4]。

在本文中,我们主要关注量化交通空气污染在都灵的角色,意大利的方式可能是有用的环境政策制定者。都灵地区空气质量是至关重要的关于颗粒物,二氧化氮,和臭氧;事实上,空气质量标准制定的欧洲指令往往超过这三种污染物(特别是点₁₀),而其他大多数污染物浓度低于极限的值。我们提出一组模型能够逼真地解释大部分的污染物浓度的变化,同时还产生精确的估计气象和交通污染浓度的影响。更具体地说,建筑工作Bertaccini et al。19,20.),我们建议使用广义可加模型分析space-averaged空气污染物浓度随着都灵市区交通的函数,而根据潜在的气象和其他可能未被注意的干扰因素进行调整。我们的目标是量化的影响交通和评估潜在的干预(交通减少)专门为都灵。虽然我们不能概括估计在都灵的大小影响到其他地理区域,我们希望我们的分析有助于城市空气质量研究在三个方面:都灵的结果显示额外的信息完成欧洲城市的污染情况;环境政策提供了很好的参考城市相似的地理环境;方法论上,提供了证据表明,一个简单的表单的流量变量通常可以很好地描述污染物的行为。

本文组织如下。部分2致力于相关数据描述交通,污染,和气象。节3我们描述的基本理论和一些优势使用广义可加模型,然后讨论选择最好的模型和污染物浓度预测子集,旨在平衡复杂性和拟合优度。提出了具体模型和结果分析两个关键污染物,不₂和点₁₀(部分3所示。1和3所示。2),整个2003年12月- 2005年4月分别通过季节在一年。此外,我们进行预测模型的应用程序₂为了显示它如何可以用于交通管制政策评估(部分3所示。3)。结论部分中讨论4。

2。数据

2.1。交通

5 t开发提供的流量数据。,a company working in the Turin city area with a widely distributed set of 500 “inductive loop” sensors (i.e., flow counting points), embedded in the surface of the roads. Inductive loops work by a simple principle of sensing the change in inductance, when a car (or another large metal object) passes over a loop, the car's presence changes the total inductance, and the loop sensor count goes up by one. Loop network is a part of the monitoring system UTOPIA/SPOT (Urban Traffic Optimization by Integrated Automation/System for Priority and Optimization of Traffic), designed to serve as an urban traffic control system as described in Kronborg and Davidsson [21和木22]。这样一个系统是一个框架实现改善私人和公共交通的效率在都灵市区。可用的传感器网络设置监控交通在城市道路的主要十字路口图(图1)。

这种广泛的网络让我们遵守交通的行为随着时间的推移,整个城市在多个点。然而,有这么多测量装置也意味着许多个人时间序列将有一个重要的部分缺失的数据,有时在大型持续一段时间。这些“空白”测量系列通常由于道路维护或修复的传感器本身。在这种情况下,missingness可视为随机缺失(独立于污染物的水平)。

我们的交通数据,通过的车辆数超过一定被聚合为每小时5分钟间隔内监控。所选择的所有流量时间序列的特定子集,这样他们都对应于交通在任何给定的流出十字路口(也等于流入流量相同的十字路口),为了避免重复计算的车辆。气象和化学数据的可用性限制了进一步研究期间从12月19日,2003年4月27日,2005年,107年最后一个数据集是由每小时测量时间序列。

在分析在这篇文章中,我们使用每小时全市平均变量,重点城市的平均交通行为,如图2。箱线图显示典型特征的流量趋势在三个不同的时间尺度:每天、每周、每年。在日常交通我们可以看到强大的规模差异大小白天与夜间;以及高流量强度由于早晚高峰时间。每周的规模显示工作日和周末的区别:星期六和星期天交通不同的车辆总数和体积高峰时段的计时。观察年度期间交通几乎是常数的表示我们可以看到除了今年8月份的大幅减少是由于暑假。

2.2。污染

污染已经提供的数据ARPA皮埃蒙特和Regione皮埃蒙特。在本文中,我们关注₂和点₁₀,测量每小时和日常尺度,分别。测量记录的一个子集共有七个环境监测站在都灵(葛拉,Rebaudengo,Rivoli,Consolata,克里斯蒂娜,Gaidano,和会场站位于如图1),而不₂和点₁₀测量传感器分布如表1。所有测量站的流量的,除了会场这是一个后台网站;为了平均代表所有都灵地区,我们考虑会场数据。

为了提供的一个例子₂行为随着时间的推移,我们总结₂浓度测量“Consolata”站(图3)。我们可以看到在图3(一个),最低的值发生在8月中旬,在最高的在两个冬季(回想一下,研究期间是2003年12月到2005年4月)。每小时框块浓度如图3 (b)让我们看到在夜间浓度减小,有两个高峰:一个在上午,一个晚上,通勤行为有关。注意,这个形状非常类似于一个观察来往车辆(图2(一个)),激励使用每小时的时间尺度的重要性。我们可以看到从星期的箱线图(图3 (c))似乎会增加浓度在最初几个工作日,减少在周末。月(图的框图3 (c))确认最低的值发生在8月,而最高的在冬天发生。

下午也₁₀我们,作为一个例子,“Consolata”的浓度测量站在图4。每周表示在图4 (b)显示,像往常一样与其他污染物,浓度的增加在一周的第一天,其次是减少到周日的最低价值。整个时间序列(图4(一)月(图)和箱形图4 (c))指出大浓度的差异观察季节(寒冷和温暖的),尽管相对恒定的流量。为进一步探究的污染特性分析[20.,第一章]。

2.3。气象学

气象数据收集由四个不同的车站ARPA皮埃蒙特和Regione皮埃蒙特,如表所示2。气象监测站的位置如图所示1标有蓝色的旗帜。为每个变量我们通常至少有三个地方提供数据在任何给定的时间。因此,我们有一个相当可靠的气象条件的描述。此外,压力一般很少在整个都灵市区不同,所以我们可以用价值来衡量一个(ReissRomoli(CSELT)站的代表全市压力水平。

气象学是减少全市包含风速矢量(我)(wsp在m / s)、太阳辐射(太阳在W / m²)、相对湿度(rh在百分比)、温度(tmp在摄氏度)和压力(新闻hPa)。没有包括由于降水相对罕见和局部组成的事件和有利益,而对我们的结果影响有限(敏感性分析是分开了,不是本文所示)。此外,风向已经省略了从模型中由于缺少有意义的单一的“平均”方向为整个城市和观察对模型结果的影响可以忽略不计(再一次分开了,没有显示)。最后还在我们的模型,我们考虑滞后(延迟)的影响的一些重要气象变量,考虑到时间量一定的化学和物理过程实现和产生影响。

在图5我们现在收集到的平均气象变量的时间序列。压力通常显示变化随着时间的推移,这似乎已经在夏天更短的范围。风速普遍较低,一些强大的事件会影响空气的质量非常重要。温度和太阳辐射显示了典型的季节性行为与高值在夏季和冬季较低的值。相对湿度通常是由降雨条件或事件。

3所示。GAM模型Turin-Wide污染

在建模的空气污染,我们将假设改变了预测的平均结果是添加剂,可以适当使用广义可加模型(gam)建模。gam有一个好处,那就是它们能够描述非线性效应随着时间的推移和仍然是容易解释由于添加剂的结构。此外,gam提供一些灵活性通过非线性或非参数条件但不受诅咒的维度和其他一些非参数方法如内核平滑或多项式建模。的结果(例如,对数的污染物,),我们假设它是添加剂的预测和正态分布的意思和方差。系统的一部分可能包括线性和非线性组件,以及潜在的混杂因素。将与添加剂一般模型组件 在哪里是拦截,是当前时间预测,(线性)的影响,变量的值是小时之前,当前时间(延迟时间值的设置),线性效应。协变量的非线性效应(或他们的滞后与滞后次版本)建模nonparametrically槽光滑函数,平滑由标量控制参数。

在这项研究中我们作为时间序列模型中上述污染物代表污染测量每小时或每天的平均水平,平均在哪里做可用的电台(站在每次的数量的变化取决于污染物的观察下,表1)。对于每个污染物我们考虑的时间序列的对数平均污染物浓度在都灵。鉴于我们希望估计对污染完全是因为交通的影响,我们特别注意潜在的混杂因素,与大气中污染物的浓度和交通量本身。气象变量是典型的混杂因素,经常调整的污染分析。在GAM,我们灵活考虑光滑函数的气象变量,。然而,也有可能存在我们没有观察到的,例如健康和行为模式等相关天气(因此污染)和交通量。虽然这些混杂因素未被遵守的,我们可以假设他们是不同的顺利,而随着时间的推移,或至少比预测更顺畅的利益(在这种情况下流量)。在这种情况下,这样的假设是合适的,我们可以代理这些未被注意的混杂因素通过平滑时间的函数。

一方面,不调整了这些估计的存在将导致偏见的影响交通。另一方面,如果我们调整太多(使用一个高度不同时间的函数),交通可能条件的影响。因此,一个合理的模型选择标准与处罚能够平衡拟合优度由于复杂性和高可变性的“功能选择最优GAM模型是至关重要的。程度上,我们使用贝叶斯信息准则(BIC) [23]。BIC是AIC (24),但与更严重的处罚相关模型的复杂性。需要的形式处罚的处罚对数似等于样本大小的对数次估计参数的数量。

本文的主要目的是评估车辆交通的有效作用在两个不同的物种的污染。为了做到彻底,我们提出两种方法来表示交通:第一种方法是使用样条函数模型的非线性影响交通,而第二个模型只需转换交通变量的一个线性效应。我们选择最合适的函数形式为每个污染物和选择合适的模型是基于标准BIC的信息。我们使用这一标准选择最重要的变量以及最优数量的样条模型中的每个协变量的基础。

另一个重要的问题是相关的污染物和一些气象变量之间互相关。这种互相关,当强,表明可能的滞后变量模型中使用。事实上,这通常允许大幅改善健康。滞后变量处理的两种方法:使用样条(a)的平均高达12以前的值(滞后1 - 12)和(b)使用样条函数只对那些个人选择滞后变量,基于相关性最高的污染物。由于后者过程总是产生更好的BIC得分,我们只会给建模结果基于污染在我们的研究中。

所有计算完成包mgcv(25,26),允许估计处罚广义可加模型,基于惩罚回归样条函数自动平滑估计(27]。

3.1。建模每小时不₂

我们现在描述全球每小时的行为模型₂(平均在都灵城),2003年12月期间,2005年4月通过。我们展示如何选择要使用的预测模型,相关的化学和物理测量污染物的动力学。这种基于理论方法选择变量不一定导致更好的选择,但是它将帮助把科学推理、物理、和化学污染物的行为。

首先,考虑到每小时的规模,风速和太阳辐射的滞后值预计将发挥重要作用的化学和物理传输介质污染整个城市。后Carslaw et al。16),风的方向被认为是在这个分析的初步阶段,但没有观察到重要的对污染物浓度的影响。这个结果可能是我们正在与相关变量的平均在整个城市,这可能会抵消任何方向的影响。此外,一个虚拟的高峰期时没有发现显著的所有其他变量,包括交通流量和滞后,在模型中。

然后该模型的平均小时日志集中₂给出如下: 在这里,社会普遍存在公认的平滑时间的函数和在某种程度上也与变量的向量表示一周内的陶氏,配合质量作出巨大贡献。共交通(tr)及其滞后的版本这是在前一小时交通;风速(wsp)和滞后值在一个小时和两个小时;太阳辐射(太阳)和滞后值在一个小时和十二个小时;相对湿度(rh);温度(tmp)和压力(新闻)。

选择最好的模型支持的可用数据,我们首先为协变量选择合适数量的基础上根据BIC光滑函数。实际的自由度(处罚和)估计使用广义交叉验证(GCV)。由于时间有一个完全不同的趋势对其他协变量,我们适合几个模型,每一个都有不同数量的节,选择时间的函数形式单独预测和其他协变量。结果获得最小的BIC =−7085.848和248年的信件和6样条依据时间和气象,分别。虽然我们不提倡使用确定的系数为评估拟合优度统计,我们报告的一致性与先前发表的工作在我们的模型中确定系数为0.825,在协议与奥尔德林和报道Hobæk泻湖(17)和Carslaw et al。16]。

表3和图6总结的主要影响因素考虑,在介绍了线性效应的估计系数值,和主要的非线性效应提出了图形一样光滑函数。

估计函数的时间和一周的日子(道),正如上面提到的,应该捕获污染物难以察觉的混杂因素的调整效果。第一个图显示时间的估计花键与每周6节。这个相对大量的节可以解释每日和每周的周期性的社会行为(即。,heat during the day or heavy traffic in specific hours of the day or the week) that is related to traffic and pollution. It is reasonable to expect that the number of knots should have some influence on BIC and on the importance we attribute to the unmeasured variables, and that it should have an effect on the other estimates. However, comparing this model with others with smaller number of knots, we observe that this model is still better with respect to the BIC criterion, while the other predictors' estimated spline coefficients change only negligibly.

时间的平滑效应更明显在冬季(冬季2003 - 04),见图6(一)。浓度通常较低和更稳定的否则,反映出通常的季节性行为通常与大气边界层相关联。天的周(DOW)总是有积极的影响对基线(周日),见下表3,周六有最低的贡献在六天。

我们可以观察到交通正如预期的那样,一个重要的因素(见图6 (b)部分交通效应的相对标准误差),是最重要的一个大气一氧化氮生成器。一氧化氮似乎尤其有关交通的平均对数浓度保持与车辆的数量迅速增加较低计数(低于中位数),最终几乎趋于饱和电平后每小时约700辆。我们可以突出一个阈值在200年和300年之间车辆,night-versus-day对应时间交通(见图2(一个))。低于这个阈值平均对数浓度和流量之间的关系通常比上面更陡。

另一方面,落后的交通的影响似乎接近零线,见图6 (c)。出于这个原因,我们没有评估的简单模型的效用₂与日志流量线性效应并没有落后于交通模型。其他所有预测都保存在相同的形式。这个简单的模型与对数转换的交通可以用于政策评估和快速预测。估计线性的影响为0.26 ()。简单模型的BIC−6596.97,而样条模型的BIC−7085.85。这个收益率支持模型与样条函数模型与简单的交通形式,但我们仍然强调简单模型的潜在效用。

有一个模型与对数转换的线性影响交通大大吸引人的政策评估的角度来看。GAM框架允许我们估计交通的净效应,没有其他混杂因素,因此,拥有一个线性效应促进整体减少污染物的直接估计由于流量的减少。例如,我们估计流量日志的日志没有影响₂是0.26。从政策的角度来看,这意味着降低10%交通不会导致减少约3%₂平均浓度。

在低温度平均对数浓度往往更高,几乎不变(图10摄氏度以下6 (d))。之后,稍微降低温度升高时,平仓温度20摄氏度以上。事实上,污染物似乎并不是真的条件的温度和显示了一个几乎线性趋势在两个不同的水平。更高的值在低温下显然是季节性大气相关情况:一般在冬季低温,当太阳辐射和边界层也减少。

估计太阳辐射样条函数,如图6 (e)- - - - - -6 (g)表明,该变量的局部效应通常有不同的行为影响的平均浓度取决于滞后效应观察:事实上,太阳辐射值高的有点增加浓度在同一小时内,但滞后变量显示负面影响,尤其是第一滞后。持久影响许多小时后可能的解释是,强烈的辐射会推迟新的污染浓度上升。

风速有着重要的影响,因为其他变量在模型中,持续的在不同的滞后,以及期望它通常降低了浓度大幅增加。滞后变量显示,强风可能没有影响₂污染对于许多小时(数字6 (h)- - - - - -6 (j))。风速的污染物降低其浓度超过2 m / s突然,但低风速可能会有些效果后一个小时或更多。风的强大效应被认为是一个延迟效应,和协变量滞后增加2和6米/秒之间的效应强度高于平仓。

特有的减少部分效果的观察相对湿度(图6 (k))在高值可以关联的降雨通常伴随它的事件。事实上,在降雨趋于饱和的湿度和降水通常是有效地减少污染。行为在低价值可以与风力强度的增加,当污染和湿度通常被风吹走。

中观察到的变化压力(图6(左))是非常小的,这是不寻常的,因为高压通常是与大气稳定,除了大气逆温的事件,它可能是由于每小时量表的使用一个变量,通常在时间变化较慢。

3.1.1。建模不₂分别的季节

我们进一步估计模型分别的季节,检查是否有季节性差异。四季定义如下:(我)冬天:2003年12月19日到2004年3月18日,(2)春天:19 2004年3月至2004年6月18日,(3)桑玛:2004年6月19日2004年9月18日,(iv)下降:2004年9月19日到2004年12月18日。

与全局模型,估计函数的时间和一周的日子(DoW)捕获污染物难以察觉的混杂因素的调整效果。无论是影响出现明显主要是在冬季和其他季节的少。

也在不同的季节交通对污染(见图显示了重要的影响7(一)),但以两种截然不同的方式。在春季和夏季,交通部分效果大幅增加对小流量,直到200 - 300辆/小时,虽然它不改变很多高等卷。冬季和秋季,我们观察交通部分效果几乎是常数,当交通量变化,这表明,在冬季减少污染浓度是困难的,甚至通过深刻的交通规则。这个结果还支持交通作用结合国内行业或加热器的排放。事实上,在寒冷季节的影响典型大气污染物的排放使得交通稳定只是一个代理确定污染积累(这样高浓度出现即使低流量)。相反,在温暖季节流量成为最重要的污染来源,也没有₂浓度,低于限制的值,并与流量值急剧增加,直到它到达饱和状态。前一小时交通的部分效果不同,当比较寒冷和温暖的季节,只对小流量卷(见图7 (b))。对卷高于每小时200 - 300辆,为所有季节估计花键接近零线虽然是显著的。

协变量的季节性分析气象允许我们突出了合理的差异描述一个变量的作用更均匀的环境条件。事实上拟合模型任何一个赛季让我们单独的气象变化的影响在寒冷季节或温暖的季节,当污染物可以表现非常不同的气象变量。这些差异尤其明显温度、太阳辐射、风速(特别关注的延迟效应),和压力。

从温度(图7 (c)),我们可以看到,在温暖的季节没有的贡献₂浓度很低(没有₂在这些季节)浓度较低的值。而不是在冬天和秋天的季节,我们可以观察到在低温下的平均对数浓度会随温度增加到10摄氏度。值后,稍微降低温度升高时在秋天,虽然不断增加在冬季。在这最后的情况下,模型显示相同的结果中观察到的其他研究(例如,16,17]),它可以解释与光化学反应的活化由于高辐射(前后一致地同样的情况提出了部分效果将直接太阳辐射图7 (d))。温度效应在秋天显然显示了两个对比鲜明的行为:浓度增加低温度的值,减少对高值。这个结果可以被考虑到秋天是过渡季节从夏天到冬天,这一段部分效果类似于冬季和夏季的另一个时期。

估计太阳辐射样条曲线如图7 (d)- - - - - -7 (f)表明该变量的局部效应通常减少影响的平均对数二氧化氮的浓度。效果也更强的博览会后一小时和12小时后在温暖的季节;这种持续性可能解释说,一个强大的辐射会推迟新的污染浓度上升。急剧增加的直接辐射效应在冬季可以与光化学反应的活化由于高辐射作用于大量的污染物通常出现在冬天一氧化二氮等大都市的气氛。

观察估计风速样条函数对不同季节和数据滞后7 (g)- - - - - -7(我),我们可以看到,风速一般在减少没有保持其重要的作用₂浓度,大大增加:强风可能会影响污染许多小时。特别是在冬季和夏季减少效果清晰,甚至开始在小风速强度;此外,在冬天我们观察风强度就越高。在其他两个中间季节的风效应小,2小时滞后变量似乎有积极的效果,可能需要进一步分析。

部分的影响相对湿度(图7 (j))维护一个非常相似的行为在所有季节看起来像观察到一个全局模型。在这种情况下我们可以强调更高的湿度值导致平均没有增加₂日志的浓度。

至于压力(图7 (k))我们可以看到主要的效果是可见的在寒冷的季节,条理清楚地与浓度增加,当压力增加。相反,低压力值的积极影响在秋季需要进一步的研究来解释。

3.2。建模每天下午₁₀

为了了解日常的行为在多大程度上点₁₀(对数变换后)取决于交通强度,我们开始与一个灵活的模型,其中包括样条函数来捕获日均流量的影响,以及平均每日流量在前一天,除了气象预测。因此,最初的模型如下: 在哪里平均每日日志点吗₁₀在一天在白天总客流量,tr在都灵。此外,wsp表示每日平均风速,和是落后的版本的日平均风速和两天前的一天,分别。这些滞后变量选择基于高两两相关的污染物。同样,rh和媒体表示日平均相对湿度和压力,分别。注意,鉴于点₁₀每日数据,我们将使用每日平均协变量的所有模型中除了交通。

然而,经检验的结果从上面的模型中,我们看到的估计影响交通出现近线性(见图8)。事实上,交通的作用似乎是纯粹的线性,没有任何饱和度影响像那些观察到的情况₂。这将在某种程度上,因为颗粒物可以通过轮胎消融和大量生产的黑碳烟,这意味着增加交通导致增加点₁₀生产。出于这个观察,我们也选择适合一个简单的模型用一个简单的交通和滞后的线性影响交通。因此,提出了简单的模型如下:

简单模型的BIC是几乎相同的BIC与样条函数模型,激励我们目前估计线性简化模型的影响只在表4。视觉效果如图9。我们可以观察到交通变量的系数为正,表明积极的交通和日常点之间的线性关系₁₀日志的浓度。

图9(一个)展示了一个强烈的点相对增加₁₀在冬季,反映出混杂因素如社会(例如,加热)或气象(例如,边界层厚度变化)过程。增加温度似乎与平均点几乎线性增加₁₀日志集中(图9 (b))。风速的增加与减少点₁₀浓度,对当前时间(图9 (c)(图)及其one-day-lagged值9 (d))。相对湿度的增加与减少平均点₁₀日志集中在高值和平均点的增加₁₀日志浓度较低的值(图9 (e))。这可能是由于下雨(高值)或强风(低价值),尽管在低价值更稀疏的数据。终于在压力增加有关在几乎线性的增加平均点的方法₁₀日志集中(图9 (f))。

的线性影响交通从政策的角度来看是好事,意味着简单模型与线性影响的交通可以用来取代更复杂的。事实上,每天0.00008的估计线性效应意味着每天减少1300辆汽车的交通将会导致一个近似的平均浓度的减少都灵的点₁₀约为10%。注意,1300辆车大约10%的平均每日流量在都灵,因此有效地减少10%的交通强度会导致减少10%在都灵的点₁₀。这是一个了不起的结果,这可能允许简单和快速决策的执行和评估。

3.2.1之上。建模点₁₀分别的季节

日志的分析分层季节集中的点₁₀显示了类似的预测效果,揭示了几个季节之间的区别,如图10。大多数预测显示整个四季类似的行为。唯一的例外是夏天,有几个明显的差异。交通似乎有大约线性效应在所有季节,除了夏天,一个轻微的饱和效应观察到非常高的价值。类似地,在所有季节相对湿度的影响是相似的,除了夏天:在所有季节,点₁₀log浓度与相对湿度的关系似乎二次,先上升,然后下降,在一定阈值传递。这预计,相对湿度与沉淀,往往发生在高相对湿度值,并抑制影响particolate物质在空气中。然而,在夏天,相对湿度对点似乎有一个纯粹的线性效应₁₀日志的浓度。这也是意料之中的,夏季相对湿度往往不与雨但“湿热”天风。

3.3。为交通规则评估预测

交通规则是最重要的一个行动来减少污染浓度。都灵城将在欧洲污染最严重的地区之一。这种情况主要是由于地形的形状平原群山环绕,工业和人口的高密度。非常常见的交通规则依赖于实施一般减少汽车的数量选择欧洲污染它们的类别(欧元阶段)或数字的板(奇数还是偶数“备用板”)。

在本节中,我们评估交通规则的情况下使用GAM的影响的预测。我们认为这个模型没有₂集中安装在整个数据(2003年12月19日开始,截至2005年4月27日,大约有11904小时)和被发现一般适合,(部分3所示。1)。预测新数据集,我们考虑一个星期在冬季时间2005年1月18日星期二开始,周一结束2005年1月24日;我们选择的这部分周为了检查可能的延迟效应对交通规则下一天。要有一个新的场景,我们选择评估交通规则共同在都灵的类型,控制汽车的运动基于是否最后一个数字的车牌是奇数或偶数。这一政策通常是应用在本周(即污染最严重的天。周三和周四),是为了减少周围的血液循环的车辆。图(11日)说明了减少50%两天会是什么样子在本周1月18 - 24,2005。当我们预测不₂浓度与原数据集,我们观察图11 (b)我们的GAM模型能够描述的浓度的变化₂(蓝线)的原始数据(黑线),通常每小时后测量浓度的变化。然后我们使用“新”流量值,减少的情况下,很明显可以看到这个减少的短期效果在两天的红线图11。减少污染浓度的数值影响,每周都在没有₂根据模型的预测。仅在两天监管,减少约12%。

4所示。结论

在本文中,我们提出了一个研究空气污染在都灵城的广义可加模型的框架。我们使用了广义可加模型(gam)模型两种污染物(没有的行为₂和点₁₀)平均在都灵城的交通功能,同时控制了主要气象变量以及一个难以察觉的复杂过程。gam允许灵活的污染过程建模历来在differential-equation-based模型的经典风格。在我们的研究中,gam能够捕获污染物和预测之间的关系灵活,使用半参数组件建模与惩罚立方回归样条函数,在点球(平滑参数)估计使用广义交叉验证(GCV)。GAM的主要优点之一是,也许他们的能力来扩展这种灵活性难以察觉的混杂因素,通过允许“时间”作为一个代理。包括顺利不同时间的函数来获取相对缓慢的行为不同的混杂因素有助于解决偏差估计的利益的影响,如交通。

我们使用了贝叶斯信息准则(BIC)选择最优数量的节曲线和选择不同的模型。结果表明,对不₂、交通、对数转换的形式,对解释log-pollution浓度来说是足够的,而对于点₁₀交通,在其线性形式,是足够了。我们也估计其他协变量和污染物之间的关系。交通量的增加显然是与增加污染物调整其他因素,而温度、太阳辐射、风速和有积极的部分减少污染的影响,尤其是在冬天。其他估计效果确认中的非线性广义可加模型是一个有用的框架来预测和解释之间的关系污染、交通、和气象。

季节性预测分析提供了一个详细描述的部分影响,流量,温度,压力,和太阳辐射显示了更有趣的变化。特别是对交通协变量是可以控制的,我们的结果表明,汽车的数量在寒冷季节的变化(特别是冬天)比在温暖的不那么有效。这种行为可以解释为一般高污染在寒冷季节的存在和存在的其他来源的排放量,尤其是建筑加热器,在温暖季节消失。因此在冬天,一个假想的交通规则有助于降低污染浓度,但只能达到一个有效的减少污染在所有其他来源。

虽然预测在不久的将来时间是可能的,我们建议使用我们提出的模型来评估政策,减少交通预测污染物浓度与policy-modified交通数据,考虑到气象信息。

此外,在去年在都灵的进步提高集中供热已开展,应该减少heating-related污染问题提到的。新数据可用时,我们提出的模型可以获得新的见解和评估干预的影响。

确认

作者要感谢Regione皮埃蒙特和ARPA皮埃蒙特和气象数据和化学变量提供了支持。此外,作者感谢5 t s.r.l.,为我们提供了支持和免费交通数据库做这项研究。最后,作者扩展他们的感谢冷藏工人和Enrico Colombatto博士提供了一个环境,帮助为他们的合作开发的关键思想。支持的工作部分Regione皮埃蒙特和冷藏工人。