Correcting air pollution time series for meteorological variability. With an application to regional PM10 concentrations

2.50
Hdl Handle:
http://hdl.handle.net/10029/9299
Title:
Correcting air pollution time series for meteorological variability. With an application to regional PM10 concentrations
Authors:
Visser H; Noordijk H
Other Titles:
Het corrigeren van luchtverontreinigingsmeetreeksen voor meteorologie. Met een toepassing op regionale PM10-concentraties
Abstract:
It is well-known that a large part of the year-to-year variation in annual distribution of daily concentrations of air pollutants is due to fluctuations in the frequency and severity of meteorological conditions. This variability makes it difficult to estimate the effectiveness of emission control strategies. In this report we have demonstrated how a series of binary decision rules, known as Classification And Regression Trees (CART), can be used to calculate pollution concentrations that are standardized to levels expected to occur under a fixed (reference) set of meteorological conditions. Such meteo-corrected concentration measures can then be used to identify "underlying" air quality trends resulting from changes in emissions that may otherwise be difficult to distinguish due to the interfering effects of unusual weather patterns. The examples here concern air pollution data (daily concentrations of SO2 and PM10). However, the methodology could very well be applied to water and soil applications. Classification trees, where the response variable is categorical, have important applications in the field of public health. Furthermore, Regression Trees, which have a continuous response variable, are very well suited for situations where physically oriented models explain (part of) the variability in the response variable. Here, CART analysis and physically oriented models are not exclusive but complementary tools.

Dag-op-dag-variaties in meteorologische condities zijn een belangrijke oorzaak van variaties in het concentratieverloop van luchtveronreinigende stoffen. Deze aan meteorologie gekoppelde variaties werken ook door in jaargemiddelde concentraties. Daarom is het moeilijk om te beoordelen in hoeverre jaargemiddelde patronen van luchtverontreinigende componenten beinvloed worden door emissiereducties. Zo'n beoordeling is zeer beleidsrelevant omdat emissiereducties over het algemeen gepaard gaan met hoge kosten. Daarom zal er, om een een maatschapppelijke draagvlak te garanderen, een relatie gelegd moeten worden tussen trends in antropogene emissies enerzijds en trends in concentraties anderzijds. In dit rapport tonen we aan hoe met behulp van een reeks binaire beslisregels, bekend staand onder de naam Classificatie- en Regressiebomen (Eng: CART), gemeten concentraties getransformeerd kunnen worden naar concentraties die er zouden zijn geweest onder standaard meteorologische condities. Deze meteo-gecorrigeerde concentraties kunnen vervolgens gebruikt worden om trends in luchtkwaliteit beter te identificeren. Voorbeelden worden gegeven voor SO2- en PM10-meetreeksen.
Affiliation:
CIM; LLO
Publisher:
Rijksinstituut voor Volksgezondheid en Milieu RIVM
Issue Date:
29-Jan-2003
URI:
http://hdl.handle.net/10029/9299
Additional Links:
http://www.rivm.nl/bibliotheek/rapporten/722601007.html
Language:
en
Series/Report no.:
RIVM rapport 722601007
Appears in Collections:
RIVM reports - old archive

Full metadata record

DC FieldValue Language
dc.contributor.authorVisser Hen_US
dc.contributor.authorNoordijk Hen_US
dc.date.accessioned2007-02-26T16:16:03Z-
dc.date.available2007-02-26T16:16:03Z-
dc.date.issued2003-01-29en_US
dc.identifier722601007en_US
dc.identifier.urihttp://hdl.handle.net/10029/9299-
dc.description.abstractIt is well-known that a large part of the year-to-year variation in annual distribution of daily concentrations of air pollutants is due to fluctuations in the frequency and severity of meteorological conditions. This variability makes it difficult to estimate the effectiveness of emission control strategies. In this report we have demonstrated how a series of binary decision rules, known as Classification And Regression Trees (CART), can be used to calculate pollution concentrations that are standardized to levels expected to occur under a fixed (reference) set of meteorological conditions. Such meteo-corrected concentration measures can then be used to identify "underlying" air quality trends resulting from changes in emissions that may otherwise be difficult to distinguish due to the interfering effects of unusual weather patterns. The examples here concern air pollution data (daily concentrations of SO2 and PM10). However, the methodology could very well be applied to water and soil applications. Classification trees, where the response variable is categorical, have important applications in the field of public health. Furthermore, Regression Trees, which have a continuous response variable, are very well suited for situations where physically oriented models explain (part of) the variability in the response variable. Here, CART analysis and physically oriented models are not exclusive but complementary tools.en
dc.description.abstractDag-op-dag-variaties in meteorologische condities zijn een belangrijke oorzaak van variaties in het concentratieverloop van luchtveronreinigende stoffen. Deze aan meteorologie gekoppelde variaties werken ook door in jaargemiddelde concentraties. Daarom is het moeilijk om te beoordelen in hoeverre jaargemiddelde patronen van luchtverontreinigende componenten beinvloed worden door emissiereducties. Zo'n beoordeling is zeer beleidsrelevant omdat emissiereducties over het algemeen gepaard gaan met hoge kosten. Daarom zal er, om een een maatschapppelijke draagvlak te garanderen, een relatie gelegd moeten worden tussen trends in antropogene emissies enerzijds en trends in concentraties anderzijds. In dit rapport tonen we aan hoe met behulp van een reeks binaire beslisregels, bekend staand onder de naam Classificatie- en Regressiebomen (Eng: CART), gemeten concentraties getransformeerd kunnen worden naar concentraties die er zouden zijn geweest onder standaard meteorologische condities. Deze meteo-gecorrigeerde concentraties kunnen vervolgens gebruikt worden om trends in luchtkwaliteit beter te identificeren. Voorbeelden worden gegeven voor SO2- en PM10-meetreeksen.nl
dc.format.extent1610000 bytesen_US
dc.format.extent16969935 bytes-
dc.format.mimetypeapplication/pdf-
dc.language.isoenen_US
dc.publisherRijksinstituut voor Volksgezondheid en Milieu RIVMen_US
dc.relation.ispartofseriesRIVM rapport 722601007en_US
dc.relation.urlhttp://www.rivm.nl/bibliotheek/rapporten/722601007.htmlen_US
dc.subject.otherregression treesen
dc.subject.otherregressieboomanalysenl
dc.titleCorrecting air pollution time series for meteorological variability. With an application to regional PM10 concentrationsen_US
dc.title.alternativeHet corrigeren van luchtverontreinigingsmeetreeksen voor meteorologie. Met een toepassing op regionale PM10-concentratiesen_US
dc.contributor.departmentCIMen_US
dc.contributor.departmentLLOen_US
All Items in WARP are protected by copyright, with all rights reserved, unless otherwise indicated.