Bayesian Source Apportionment of Spatio-temporal air pollution data
时空空气污染数据的贝叶斯来源解析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦环境污染来源解析，虽使用潜在因子模型，但缺少归入宏观或金融因子细分的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
时空空气污染数据的贝叶斯来源解析
- 研究问题
- 如何从多种细颗粒物成分的时空浓度观测中，估计未知污染源数量及其贡献，并同时考虑空间与时间依赖？
- 方法与思路
- 作者提出潜在函数因子模型，将对数浓度表示为时空变化的源排放与相对贡献的线性组合，并以源特定收缩参数估计源数。
- 材料陈述的贡献
- 摘要称模型能同时估计污染源数量和时空潜在因子；模拟展示源数恢复能力，加州六种颗粒物成分应用识别出三个主要来源。
- 阅读关注点
- 应核对因子与来源贡献的可识别性、收缩先验及源数判定规则、时空依赖建模方式，以及统计来源与实际污染源的对应依据。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未说明来源识别约束、先验敏感性或不确定性，三个来源是特定应用的报告。
原文摘要
Understanding the sources that contribute to fine particulate matter (PM$_{2.5}$) is of crucial importance for designing and implementing targeted air pollution mitigation strategies. Determining what factors contribute to a pollutant's concentration goes under the name of source apportionment and it is a problem long studied by atmospheric scientists and statisticians alike. In this paper, we propose a Bayesian model for source apportionment, that advances the literature on source apportionment by allowing estimation of the number of sources and accounting for spatial and temporal dependence in the observed pollutants' concentrations. Taking as example observations of six species of fine particulate matter observed over the course of a year, we present a latent functional factor model that expresses the space-time varying observations of log concentrations of the six pollutant as a linear combination of space-time varying emissions produced by an unknown number of sources each multiplied by the corresponding source's relative contribution to the pollutant. Estimation of the number of sources is achieved by introducing source-specific shrinkage parameters. Application of the model to simulated data showcases its ability to retrieve the true number of sources and to reliably estimate the functional latent factors, whereas application to PM$_{2.5}$ speciation data in California identifies 3 major sources for the six PM$_{2.5}$ species.