Habeeb Balogun (Лаборатория технологий и инноваций больших данных, Университет Хартфордшира, Хатфилд, Великобритания)

Хафиз Алака (Лаборатория технологий и инноваций больших данных, Университет Хартфордшира, Хатфилд, Великобритания)

Christian Nnaemeka Egwim(Лаборатория технологий и инноваций больших данных, Хартфордширский университет, Хатфилд, Великобритания)

Абстрактный

Цель

В этой статье делается попытка оценить уровни производительности BA-GS-LSSVM по сравнению с популярными автономными алгоритмами, используемыми для построения моделей прогнозирования NO 2. Целью этой статьи является предварительная обработка относительно больших данных о NO 2 от датчиков Интернета вещей (IoT) с соответствующими по времени данными о погоде и трафике и использование этих данных для разработки моделей прогнозирования NO 2 с использованием BA-GS-LSSVM. и популярные автономные алгоритмы для обеспечения справедливого сравнения.

Дизайн/методология/подход

Это исследование установило и использовало данные от 14 датчиков выбросов IoT для разработки прогнозирующих моделей машинного обучения для концентрации загрязнения NO 2. Авторы использовали инфраструктуру аналитики больших данных для извлечения большого объема данных, собранных за десятки секунд в течение более 5 месяцев. Данные о погоде от Департамента метеорологии Великобритании и данные о трафике от Департамента транспорта были собраны и объединены для соответствующего времени и места, где установлены датчики загрязнения.

Результаты

Результаты показывают, что гибридный BA-GS-LSSVM превосходит все другие автономные модели прогнозирования машинного обучения для загрязнения NO 2.

Практические последствия

Гибридная модель этой статьи обеспечивает основу для принятия обоснованного решения по системе предотвращения выбросов загрязнителей NO 2.

Оригинальность/ценность

Это исследование установило и использовало данные от 14 датчиков выбросов IoT для разработки прогнозирующих моделей машинного обучения для концентрации загрязнения NO 2.

Ключевые слова

Цитата

Балогун Х., Алака Х. и Эгвим, К.Н. (2021), Машина опорных векторов наименьших квадратов Boruta-grid-search для прогнозирования загрязнения NO 2 с использованием анализа больших данных и датчиков выбросов IoT, Прикладные вычисления и информатика, Vol. перед печатью № перед печатью. https://doi.org/10.1108/ACI-04-2021-0092

Издатель

Изумруд Паблишинг Лимитед

авторское право

Лицензия

Опубликовано в журнале Applied Computing and Informatics. Издано Emerald Publishing Limited. Эта статья опубликована в соответствии с лицензией Creative Commons Attribution (CC BY 4.0). Любой может воспроизводить, распространять, переводить и создавать производные работы на основе этой статьи (как в коммерческих, так и в некоммерческих целях) при условии полной ссылки на оригинальную публикацию и авторов. С полными условиями этой лицензии можно ознакомиться на странице http://creativecommons.org/licences/by/4.0/legalcode.

1. Введение

Загрязнение воздуха, выброс загрязняющих веществ в воздух, остается одной из серьезных проблем в Великобритании и во всем мире: ежегодно регистрируется более 25 000 связанных с этим смертей в Великобритании [ 1] и около 8,8 миллиона смертей во всем мире [ 2]. . Помимо смерти, воздействие загрязнения воздуха может привести к различным краткосрочным и долгосрочным проблемам со здоровьем [ 3, 4]. Примеры краткосрочных проблем со здоровьем включают боль в глазах, раздражение горла, головные боли, аллергические реакции и инфекции верхних дыхательных путей. В то время как рак легких, повреждение головного мозга, повреждение печени, повреждение почек, болезни сердца, респираторные заболевания и тому подобное являются примерами долгосрочных проблем со здоровьем [ 5 ].

Помимо серьезного воздействия загрязнителей воздуха на здоровье, загрязнение воздуха имеет серьезные последствия для Великобритании и мировой экономики. Это обходится правительству Великобритании примерно в 40 миллиардов фунтов стерлингов в год [6] и составляет около 3 триллионов фунтов стерлингов экономических издержек во всем мире [7]. Недавние исследования Центра исследований энергии и чистого воздуха (CREA) связывают более 1,5 миллиардов дней отсутствия на работе, более 3,5 миллионов новых случаев астмы и примерно 2 миллиона преждевременных родов с загрязнителями воздуха, что приводит к увеличению расходов на здравоохранение и снижению в экономической производительности.

Загрязнители воздуха представляют собой переносимые по воздуху вещества, обычно двух категорий: твердые частицы и газы. Из газов двуокись азота (NO 2), возможно, является наиболее опасной для здоровья человека [ 8 ]. Загрязнитель NO 2 возникает в результате процессов горения, таких как выбросы транспортных средств, и это было отмечено во время пандемии Covid-19, когда глобальная концентрация NO 2 снизилась на 20% [ 9 ]. Тем не менее, недавнее открытие показало, что к 2025 году NO 2 все еще будет превышать предел AQI (индекс качества воздуха) [ 3 ]. Таким образом, оценка NO 2 AQI возлагает на заинтересованные стороны и исследователей ответственность за разработку стратегических средств сдерживания воздействия загрязняющего вещества в Великобритании.

Возможно, прогнозирование концентрации NO 2 является одним из наиболее действенных и эффективных способов спасения жизней от воздействия этого смертоносного загрязнителя в различных географических точках. Кроме того, этот прогноз может помочь людям избегать таких мест, когда у них высокий уровень концентрации NO 2 .

1.1 Связанная работа

Таким образом, с начала нового тысячелетия исследования моделей прогнозирования выбросов NO 2 оправданно расширились. Однако, если они полезны для пользователей, уязвимых к загрязнению, т.е. пациентов с коронавирусом, эффективность таких моделей зависит от производительности модели. Меньшая производительность может ввести пользователя в заблуждение и может подвергнуть пользователя опасным для жизни атакам.

Производительность прогностической модели, построенной на основе машинного обучения, среди прочих факторов, в значительной степени зависит от используемого алгоритма машинного обучения [10, 11]. Таким образом, в нескольких исследованиях сравнивались некоторые из наиболее популярных алгоритмов (например, искусственная нейронная сеть, машина опорных векторов и т. п.) с точки зрения их производительности при прогнозировании NO 2 [12-14] со случайным лесом, машиной опорных векторов, обычно работает лучше. Однако, несмотря на явные доказательства из литературы, что гибридные алгоритмы работают лучше, чем автономные, они не широко использовались в сравнительных исследованиях [15, 16].

Одним из таких гибридов является оптимально-гибридный алгоритм искусственного интеллекта, основанный на методе опорных векторов наименьших квадратов, оптимизированный с помощью поиска по сетке, функции которого были выбраны с использованием алгоритма Боруты (BA-GS-LSSVM). Метод опорных векторов наименьших квадратов (LSSVM) отличается от классического SVM улучшенной целевой функцией. LSSVM широко используется для задач классификации и регрессии из-за его высокой прогностической способности по сравнению с классическим SVM. Результаты таких исследований, как прогноз цен на бензин [17], прогноз скорости ветра [18] показали, что эта модель обеспечивает большую скорость работы и точность сходимости. Однако с производительностью этого алгоритма связаны некоторые недостатки, в том числе оптимизация выбора параметров и признаков. BA-GS-LSSVM решает эти проблемы.

Таким образом, в этой статье делается попытка оценить уровни производительности BA-GS-LSSVM по сравнению с популярными автономными алгоритмами, используемыми для построения моделей прогнозирования NO 2. Цели заключаются в следующем:

  1. Для предварительной обработки относительно больших данных о NO 2 с датчиков IoT с соответствующими по времени погодными данными и данными о дорожном движении.
  2. Использовать данные для разработки моделей прогнозирования NO 2 с использованием BA-GS-LSSVM и популярных автономных алгоритмов, чтобы обеспечить справедливое сравнение.

Крайне важно описать символы, используемые в данной исследовательской работе. Таблица 1 определяет большинство символов и их описание.

Остальная часть этого документа организована следующим образом: во втором разделе представлено краткое объяснение источника данных и объема данных. В третьем разделе представлены методы выбора признаков, используемые при выборе ценных признаков для разработки гибридной модели. В четвертом разделе представлена ​​гибридная модель с подробным описанием теоретического/математического представления модели и ее отличий от классической SVM. Наконец, в пятом разделе описывается разработка BA-GS-LSSVM, других популярных автономных алгоритмов машинного обучения для прогнозирования NO 2 и оценка их производительности для сравнения. Наконец, заключение и обсуждение составляют часть пятого раздела.

2. Описание данных и аналитика больших данных

Многие города Великобритании, как и другие города мира, страдают от загрязнения воздуха. Существенный вклад в загрязнение воздуха вносит увеличение выбросов от транспортных средств [ 19 ]. Загрязнение воздуха, вызванное дорожным движением, зависит от типа транспортного средства (дизельный, бензиновый, бензиновый, электрический), уровня загруженности, времени, проведенного в пробке, и атмосферных/географических особенностей окружающей среды в данный момент времени.

Для мониторинга/уменьшения воздействия загрязнения воздуха в большинстве городов в настоящее время используются датчики мониторинга для измерения интенсивности движения, погодных характеристик и качества воздуха в окружающей среде. Данные собираются с определенной периодичностью (секунды, минуты, часы, дни и т. д.) в зависимости от предпочтений пользователей. Для этого проекта в городе Вулверхэмптон в Великобритании было развернуто в общей сложности 14 датчиков Интернета вещей (IoT) для мониторинга концентраций NO 2 и других загрязняющих веществ, обозначенных синими кружками (см. Рисунок 1).

Датчики собирали данные о концентрации NO 2 и других вредных загрязнителях каждые 10 с в течение пяти месяцев (т. е. декабрь 2019 г. и апрель 2020 г.). За этот период было создано более десяти миллиардов (т.е. 10 × 6 × 60 × 60 × 24 × 30 × 5 × 14) точек данных, что было огромным. Данные через шлюз промежуточного программного обеспечения, развернутый на эластичном компоненте веб-службы Amazon (AWS), напрямую выгружают данные в реляционную базу данных AWS Elastic Computing cloud two (EC2). Мы использовали инфраструктуру AWS EC2 для проведения аналитики больших данных, необходимой для этого исследования из-за большого объема данных.

Для разработки BA-GS-LSSVM данные от 14 датчиков мониторинга IoT для концентрации загрязнителя NO 2 были зависимой переменной. Напротив, погода, другие загрязнители, т.е. PMx, озон и данные о дорожном движении были независимыми переменными. Данные о дорожном движении были получены от Департамента дорожного движения Великобритании (DfT) и включали в основном количество транспортных средств, разделенных на различные типы транспортных средств (см. Таблицу 2). Были получены данные о трафике за тот же период, что и данные с датчиков. Данные о погоде за аналогичный период были получены из Метеорологического бюро Великобритании. Он включал в себя различные погодные переменные, такие как атмосферное давление и влажность, среди прочего (см. Таблица 2). Данные о трафике и погоде предоставлялись ежечасно, и у каждого было более пятидесяти тысяч точек данных. Чтобы сопоставить данные о погоде и дорожном движении с данными о загрязняющих веществах от датчиков, среднечасовое значение концентрации загрязняющих веществ использовалось для сопоставления с соответствующими почасовыми данными о погоде и дорожном движении, что привело к точкам данных (24 часа × 30 дней × 5 месяцев × 14 IoT).

Концентрация NO 2 с декабря 2019 г. по апрель 2020 г. по 14 установленным датчикам указывает на некоторые интересные тенденции с некоторыми выбросами в конце 2019 г. (см. Рисунок 2). Эти выбросы в конце года спорны из-за покупок, Рождества и других сезонных праздников. Кроме того, на концентрацию загрязнения, возможно, повлиял национальный карантин, введенный в городах Великобритании во время пандемии COVID-19 (см. Рисунок 2).

Еще одно интересное исследование — выбросы, обнаруженные в течение нескольких дней недели (см. Рисунок 3). Глядя на диаграмму, возможно, это дни с наибольшим объемом трафика, поскольку мы можем гипотетически сказать, что это дни, когда многие ходят в бары, клубы и на другие собрания в конце недели.

После завершения предварительной обработки в инфраструктуре больших данных AWS полные данные были разделены на данные (60 %) для обучения и (40 %) для случайного тестирования модели, чтобы избежать систематических ошибок и других недостатков.

3. Выбор функций

Прогностическая способность различных видов машинного обучения зависит от размерности признаков; LSSVM не исключение [20]. Не все функции влияют на прогноз, поэтому выбор функций/переменных имеет решающее значение при разработке/построении прогностических моделей машинного обучения.

Доказано, что уменьшение размерности помогает повысить эффективность прогностических моделей [21]. Из методов сокращения выбор признаков — это выбор наиболее важных признаков из исходного набора признаков в качестве новых входных признаков.

Поскольку случайный лес (RF) постоянно доказывался в прошлых исследованиях, например. [21-24], чтобы очень хорошо выбирать наиболее важные функции, для выбора функций в этом исследовании был реализован алгоритм-оболочка Боруты (BA), построенный вокруг RF. БА использует ту же стратегию, что и классическая модель классификатора РФ, представленная [25]. БА реализуется с помощью следующих шагов:

  1. Воспроизведение и добавление копии всех входных характеристик, т. е. характеристик погоды и дорожного движения, для формирования информационной системы (ИС).
  2. Перетасуйте IS и удалите корреляции между функциями в IS
  3. Применение классификатора случайного леса к комплексной ИС
  4. вычислить оценки Z, представленные как n для всех объектов, и определить максимальное значение n среди теневых объектов (MnSF).
  5. Присвойте значение каждой функции, которая оценивается выше, чем MnSF.
  6. Проведите тест на равенство и отбросьте признаки ниже, чем MnSF
  7. Устраните все теневые функции

После применения процесса выбора характеристик BA выбрал в общей сложности 13 основных характеристик, а именно: Отметка времени, O 3, Все автомобили, Влажность, Давление окружающей среды, Температура, PM10, PM2.5, PM1, День недели, и x, y, z, которое является трехмерным геоцентрическим представлением долготы и широты. Отметка времени, возможно, предполагает некоторый уровень постоянства уровней загрязняющих веществ в определенное время. Например, утренний пиковый период или конец дневного пикового периода приводят к увеличению трафика. После этого 13 выбранных функций будут использованы при разработке прогностической модели LSSVM, как описано в следующем разделе.

4. Метод опорных векторов наименьших квадратов

LSSVM, предложено усовершенствование SVM [ 15 ]. LSSVM обеспечивает решение линейного уравнения с улучшением целевой функции классического SVM.

Мы используем xkayk s 13 функцию, выбранную с помощью BA и является NO2 концентрация

Тогда улучшенную модель SVM можно записать математически:

где ∅(x) = функция нелинейного отображения, ω = вес и b = смещение.

Уравнение может быть выражено:

При условии

Где γ = параметр регуляризации, а ek = член ошибки.

Модель можно оптимизировать с помощью функции Лагранжа следующим образом.

где

αk∈ R = множитель Лагранжа

Из уравнения Каруша-Куна-Таккера (KKT), представленного как.

Уравнение оптимизации может быть преобразовано в линейное уравнение, данное как Уравнение 6, после исключения переменных ω и ek.

Окончательное уравнение модели LSSVM:

whγ=12σ2 здесь

Конечный отклик и функция ядра радиальной базисной функции (RBF) использовались в этом исследовании и математически выражались как

Где,

4.1 Поиск по сетке

После разработки LSSVM с использованием функций, выбранных с помощью BA, оптимизация параметра модели LSSVM: параметр регуляризации ( γ ) и параметр ядра (σ2 ) является еще одной сложной областью, которую нельзя игнорировать. поскольку это может привести к плохой производительности прогнозирования, если не будет тщательно выбрано.

Выбор заключается в том, где вступает в действие алгоритм поиска по сетке. Он делает это путем объединения всех возможных значений регуляризации и параметра ядра (γ, σ2). Он применяется для оптимизации этих двух параметров, чтобы иметь улучшенные возможности прогнозирования. Каждая пара параметров регуляризации и ядра подвергается перекрестной проверке и, следовательно, дает значение MSE.

Для этого исследования параметры LSSVM были инициализированы с использованием диапазона поиска [0,01, 1000] и [0,1, 1000] для γ и σ2 соответственно. После перекрестной проверки, со всеми возможными значениями γ и σ2, пара с минимальной MSE является лучшей, и это использовалось для создания GS-LSSVM.

5. Процесс разработки модели и показатели эффективности

Связанные работы по разработке прогностических моделей (например, [26-29], идентифицированный случайный лес (RF), машина опорных векторов (SVM), дерево решений (DT), XGboost (XGB), Adaboost, искусственная нейронная сеть (ANN) и линейная регрессия (LR) как мощные алгоритмы машинного обучения для прогнозирования.Эти популярные алгоритмы были разработаны и сравнены с BA-GS-LSSVM.

Учитывая, что выбор признаков может быть не совсем благоприятным для некоторых алгоритмов [11, 20], мы разработали прогностические модели для каждого алгоритма двумя способами, чтобы обеспечить более объективное сравнение. Первый заключался в разработке моделей с использованием всех доступных переменных до процессов выбора признаков. Результаты этого были записаны и сравнены (см. раздел 5 о результатах). Второй заключался в разработке моделей с использованием 13 признаков, выбранных с помощью алгоритма Боруты. Результаты этого также были записаны и сравнены (см. раздел 5 о результатах). Наконец, лучшие результаты для каждого алгоритма (будь то первая или вторая разработка) сравнивались, чтобы определить лучший алгоритм в целом.

Модель регрессии LSSVM не имеет специального пакета Python, поэтому мы реализовали пакет обучения Scikit в Python. Рисунок 4 представляет блок-схему и общие процедуры построения гибридной прогностической модели GS-LSSVM для прогнозирования концентрации NO 2 .

Чтобы определить прогностическую способность модели машинного обучения с регрессионным прогнозированием, различные метрики измеряют модели потерь и оценок. Среди этих показателей четыре, включая среднюю абсолютную ошибку (MAE), среднеквадратичную ошибку (MSE), показатель объясненной дисперсии (EVS) и R в квадрате ( R2), были использованы в этой статье из-за их популярности и кратко описаны ниже.

MAE - это среднее абсолютное отклонение (ошибка) между каждой точкой на графике рассеяния между фактическим наблюдением и соответствующим прогнозируемым значением. Это метрика риска, соответствующая ожидаемому значению абсолютной потери ошибки. Наилучший возможный балл — 0,00; чем выше MAE, тем хуже производительность прогностической модели. MAE можно математически записать как

MSE — это еще одна метрика риска, которая соответствует среднему значению всех квадратов ошибок между прогнозируемым значением и фактическим значением целевой переменной. Его также называют среднеквадратичным отклонением. Значение MSE строго положительное, находится в диапазоне от [0,1], а значения, близкие к нулю, означают лучшую прогностическую модель. Математическое определение MSE выглядит следующим образом.

В отличие от функций показателей риска (например, MAE, MSE), показатель объясненной дисперсии и показатель R-квадрата отображают лучшую модель регрессии, когда показатель приближается к 1,0, а не к нулю. Оценка EVS измеряет вариацию (меру дисперсии) набора тестовых данных. Наилучшая возможная оценка EVS — 1,0, и математически она записывается как.

Наконец, R-квадрат, называемый коэффициентом детерминации, представляет собой пропорцию дисперсии признаков и целевой переменной. Он указывает на качество соответствия и помогает измерить, насколько хорошо невидимые данные могут быть предсказаны моделью. Наилучшее возможное значение для R-квадрата – 1,0. Это математически дается как.

Где y¯ I=∑i=1nyi n

5.1 Обсуждение результата

В этом исследовании оптимально-гибридный алгоритм искусственного интеллекта, основанный на методе опорных векторов наименьших квадратов, был оптимизирован с помощью поиска по сетке, черты которого были выбраны с использованием алгоритма Боруты (BA-GS-LSSVM) для прогнозирования концентрации загрязнителя NO 2. Мы определили наиболее оптимальные значения параметрических функций LSSVM, равные γ=1000 и σ2=10, используя поиск по сетке.

Вся модель была разработана после объединения трех источников данных, включая данные о погоде, трафике и IoT, на платформе больших данных с учетом множества записанных точек данных (т. е. 24 часа × 30 дней × 5 месяцев × 14 IoT). Данные были объединены и сопоставлены для разработки прогностических моделей. Затем мы сравнили производительность предлагаемой гибридной модели и другой мощной автономной модели машинного обучения при прогнозировании NO 2, однако, в двух потоках, чтобы добиться справедливого сравнения без предвзятости. Два потока сравнений, чтобы избежать предубеждений; (1) Все модели реализованы без выбора функций (2) Все модели реализованы с выбором функций. Таблица 3 и Рисунок 5 представляют метрики для разработанных моделей с (WF) и без выбора признаков (WoF) для объективного сравнения. BA-GS-LSSVM и все другие разработанные модели машинного обучения были созданы на платформе больших данных из-за временной сложности алгоритмов. Временная сложность разработанных моделей: GS-LSSVM:O(n 3), RF:O(d*log(n)), KNN:O(knd), ANN:O(n 4), DT:O(n *log(n)*d), SVR:O(n=3), XGB:O(n*d*log(n)), LR:O(nd), LSSVM:O(n=3) и ADB:O (й 2).

Как показано на Рисунке 5, показатели ошибок, включая MAE, MSE для всех разработанных моделей, представлены в порядке убывания. Порядок в этом случае показывает, что Adaboost (AB) имеет максимальную ошибку, за которой следуют LSSVM и линейная регрессия (LR), реализованные без выбора функций. В то же время мы видим GS-LSSVM с выбором признаков, т.е. BA-GS-LSSVM с самым незначительным значением оценки ошибки. Это объясняет более высокую производительность гибридной модели по сравнению с другими автономными моделями.

Кроме того, на кольцевой диаграмме показана оценка R-квадрат для всех разработанных моделей, а максимальная оценка была получена при разработке BA-GS-LSSVM. то есть 6,35% (0,82). Утверждение смещения, вызванного выбором признаков, было доказано в этой статье; например, первый подход (т. е. реализация модели без выбора признаков) показывает плохую и плачевную производительность модели.

Кроме того, модели, разработанные с выбором признаков, были подвергнуты 10-кратной перекрестной проверке для обеспечения эффективной/беспристрастной оценки. Для этого исследование, представленное на Рисунке 6, представляет собой график с решеткой и усами, показывающий разброс различных показателей производительности по каждой сгибе перекрестной проверки для каждого алгоритма.

На основании этих результатов BA-GS-LSSVM определяется как лучший с учетом его минимальных показателей метрики ошибок (т. е. самых низких показателей MAE и MSE) по сравнению с другими разработанными машинами ML. В то же время BA-GS-LSSVM набрал самый высокий показатель EVS и R-квадрат. Таким образом, наша модель окончательно работает лучше всех других стандартных и мощных автономных моделей машинного обучения, разработанных в этой статье.

Использование платформы больших данных снизило вычислительную сложность большинства реализованных моделей. Кроме того, более низкая вычислительная сложность LSSVM по сравнению с SVM является еще одним выдающимся преимуществом, признанным в этом исследовании.

6. Выводы

Высокоточное прогнозирование NO 2 имеет решающее значение для благополучия людей, особенно тех, которые уязвимы к загрязнению воздуха. Однако модель BA-GS-LSSVM в этой статье оказалась привлекательной и оказалась лучше, чем популярные алгоритмы. Чтобы продемонстрировать преимущества модели BA-GS-LSSVM, было проведено сравнение девяти различных алгоритмов. В конце исследования можно сделать следующий список выводов, в том числе:

  1. Boruta, метод выбора размерности, улучшает производительность модели ML.
  2. По сравнению со всеми другими разработанными автономными моделями, наша модель, BA-GS-LSSVM, демонстрирует лучшую способность прогнозировать концентрацию NO 2
  3. Модель BA-GS-LSSVM обеспечивает основу для принятия обоснованного решения по системе предотвращения выбросов загрязняющих веществ NO 2.

Будущие исследования должны изучить использование BA-GS-LSSVM для прогнозирования других загрязнителей в Великобритании и других частях мира, где наблюдается этот всплеск концентрации загрязнения воздуха.

Цифры

Рисунок 4

Блок-схема для GS-LSSVM

Рисунок 6

Графические иллюстрации разброса в (а) R-квадрат, (б) MAE, © MSE и (г) показатель EVS для каждого алгоритма, разработанного с выбором признаков

использованная литература

1 Общественное здравоохранение Англии. Обзор мероприятий по улучшению качества наружного воздуха и общественного здравоохранения. 2019.

3 ДЕФРА. Дополнение к плану Великобритании по снижению концентрации диоксида азота на обочинах дорог. 2018 (октябрь), 1–54.

5 Долгосрочная оценка качества воздуха на острове в Малайзии. Гелион. 2018; 4(12).

6 Европейское региональное бюро ВОЗ ОЭСР. Экономические издержки воздействия загрязнения воздуха на здоровье в Европе: чистый воздух, здоровье и богатство. Европейский процесс исцеления окружающей среды. 2015, 1–54.

7 Мюлливирта Л . Ключевые сообщения количественной оценки экономических издержек загрязнения воздуха от ископаемого топлива. 2020, 2–13.

14 Оценки ежедневных приземных концентраций NO 2 в Китае на основе больших данных и методов машинного обучения. 2020; (2).

Соответствующий автор

© 2021 Изумруд Паблишинг Лимитед

Первоначально опубликовано на https://www.emerald.com.