Source apportionment of PM10 particles in the urban atmosphere using PMF and LPO-XGBoost
Rattachement africain : cn, fr, es, ch, gr, it, pt, gb, us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
= 0.75). Comparative analyses with models including Random Forest (RF), Support Vector Machine (SVM), and their LPO-enhanced variants confirm that LPO-XGBoost provides the most reliable performance in estimating pollution source contributions, offering scalability and robustness ideal for high-time-resolution observational data. This model has significant potential to support targeted air quality management strategies. Future research should focus on expanding key species measurements at monitoring sites, ensuring consistent temporal coverage, and optimizing the model for improved mixed-source predictions to strengthen its applicability in comprehensive urban air quality assessments.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Source apportionment of PM10 particles in the urban atmosphere using PMF and LPO-XGBoost
- Date Crossref
- 01/08/2025
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Beijing Technology and Business University pays non établi dans la noticeUniversité ou école supérieure
-
Beijing Municipal Education Commission pays non établi dans la noticeOrganisme public
-
Beijing Academy of Artificial Intelligence pays non établi dans la noticeInstitution
-
Guangdong University of Technology Guangdong Key Laboratory of Environmental Catalysis and Health Risk Control pays non établi dans la noticeUniversité ou école supérieure
-
Fudan University Shanghai Key Laboratory of Atmospheric Particle Pollution and Prevention pays non établi dans la noticeUniversité ou école supérieure
-
Institut polytechnique de Grenoble pays non établi dans la noticeUniversité ou école supérieure
-
Centre National de la Recherche Scientifique pays non établi dans la noticeOrganisme public
-
Institut National de Recherche pour l'Agriculture pays non établi dans la noticeOrganisme public
-
Institut des Géosciences de l'Environnement pays non établi dans la noticeStructure de recherche
-
Institut de Recherche pour le Développement pays non établi dans la noticeOrganisme public
-
Université Grenoble Alpes pays non établi dans la noticeUniversité ou école supérieure
-
Institut national de l'environnement industriel et des risques pays non établi dans la noticeStructure de recherche
Beijing Technology and Business University, Beijing Municipal Education Commission et Beijing Academy of Artificial Intelligence, avec 9 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.