动态主成分分析: 识别多种空气污染物之间的关系
应用统计
2016-08-11 v1 机器学习
摘要
空气质量化学和输运的动态性质使得难以识别某一区域的空气污染物混合物。在对休斯顿大都会区空气质量的研究中,我们将动态主成分分析(DPCA)应用于2009年1月1日至2011年12月31日五种污染物(O3、CO、NO2、SO2、PM2.5)每日浓度测量的归一化多元时间序列,涵盖一天中的每个24小时。对这3年期间按小时跨天检查所得的动态成分。揭示了昼夜和季节模式,突出了DPCA表现最佳的时段,以及两个主成分(PC)解释了多元序列中大部分变异性。DPCA被证明优于静态主成分分析(PCA),能发现转换后污染物测量值之间的线性关系。DPCA捕捉了该区域多达34个监测站记录的底层污染物的时间依赖相关结构。在冬季早晨,第一主成分(PC1)(主要为CO和NO2)解释了高达70%的变异性。加上第二主成分(PC2)(主要由SO2驱动),解释的变异性上升到90%。在下午,O3在第二主成分中变得突出。PCs对方差贡献的季节剖面在下午失去了区分度,但累积来看PC1和PC2仍解释了环境空气数据中高达65%的变异性。DPCA为识别所研究区域不断变化的空气质量剖面提供了一种策略。
引用
@article{arxiv.1608.03022,
title = {Dynamic Principal Component Analysis: Identifying the Relationship between Multiple Air Pollutants},
author = {Oleg Melnikov and Loren H. Raun and Katherine B. Ensor},
journal= {arXiv preprint arXiv:1608.03022},
year = {2016}
}