文献

J-GLOBAL ID：201902254159226673   整理番号：19A0866205

衛星ベースPM2.5評価のためのGauss型Markov確率場対線形混合モデル:米国北東部からの証拠【JST・京大機械翻訳】

Gaussian Markov Random Fields versus Linear Mixed Models for satellite-based PM_2.5 assessment: Evidence from the Northeastern USA

著者 (4件)： Sarafian Ron (Department of Industrial Engineering, Ben Gurion University of the Negev, Be’er Sheva, Israel) ,  Kloog Itai (Department of Geography and Environmental Development, Ben Gurion University of the Negev, Be’er Sheva, Israel) ,  Just Allan C. (Department of Environmental Medicine and Public Health, Icahn School of Medicine at Mount Sinai, New York, NY, USA) ,  Rosenblatt Johnathan D. (Department of Industrial Engineering, Ben Gurion University of the Negev, Be’er Sheva, Israel)
資料名： Atmospheric Environment  (Atmospheric Environment)
巻： 205  ページ： 30-35  発行年： 2019年 
JST資料番号： C0382D  ISSN： 1352-2310  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 健康に及ぼす大気汚染の影響を研究することは,環境疫学における重要な領域である。大気汚染効果の正確な推定には,大気汚染の空間時間的に分解されたデータセット,特にFine Particulate Matter(PM)が必要である。衛星ベース技術は,直接測定が不可能な場所でPM評価を提供する能力を大いに強化した。間接PM測定は統計的予測問題である。空間-時間統計的文献は,様々な予測モデルを提供する。特に,Gaussランダム場(GRF)と線形混合モデル(LMM)である。GRFはデータにおける時空構造を強調するが,計算的に適合する必要がある。LMMは計算的に適合しやすいが,空間と時間を扱うためにはいくつかの変更を必要とする。時空統計文献における最近の進歩は,Gaussマルコフ確率場(GMRF)による近似により,GRFsの計算負荷を軽減することを提案している。LMMとGMRFは両方とも計算的に実行可能であるので,問題は発生する。それは統計的により良い。環境モニタリングと汚染評価におけるLMMの大きな人気にもかかわらず,LMMは米国北東部におけるPMを測定するためにGMRFより統計的に劣っていることを示した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *PM2.5 ,  エアロゾル ,  環境モニタリング ,  大気汚染 ,  *正規分布 ,  予測 ,  予測モデル
準シソーラス用語： *混合モデル ,  計算負荷 ,  *確率場 ,  直接測定 ,  環境疫学 ,  健康 ,  *一般化線形混合モデル ,  *Markov確率場 , 【Automatic Indexing@JST】

著者キーワード (4件)： PM2.5 ,  エアロゾル光学深度(AOD) ,  混合モデル ,  Gauss型Markov確率場

分類 (3件)： 粒状物調査測定  (SB03060E) ,  大気汚染一般  (SB03010B) ,  研究開発  (SA01040R)

タイトルに関連する用語 (7件)： 衛星 ,  評価 ,  Gauss型 ,  Markov確率場 ,  線形混合モデル ,  米国 ,  証拠