A dynamic anisotropic kernel averaged predictor model for PM2.5 using satellite-derived AOD

Traditional statistical approaches to modelling air pollution concentrations of PM2.5 from satellite-derived aerosol optical depth (AOD) observations assume concurrent data, typically represented as an average of observations within a local neighbourhood. More recently, methods that integrate AOD beyond collocation using spatiotemporal kernel functions have been explored, and resulted in improved predictive accuracy. However, these kernel functions are assumed to be symmetric and do not account for the directional influence of wind on pollutant transport. Moreover, the effect of the weighted AOD on PM2.5 is assumed to be temporally stationary. We propose a Bayesian discrete-time dynamic linear model that addresses these limitations by incorporating anisotropic spatial kernel functions to capture wind-driven transport and time-varying AOD effect using a state process, enabling spatiotemporal prediction while more accurately representing the physical mechanisms underlying PM dispersion.

Modèle prédictif dynamique moyen à noyau anisotrope pour les PM2,5 utilisant l'AOD dérivée par satellite

Les approches statistiques traditionnelles utilisées pour modéliser les concentrations de PM2,5 dans l'air à partir des observations de la profondeur optique des aérosols (AOD) dérivées des satellites considèrent des données simultanées, généralement représentées par une moyenne des observations dans un voisinage local. Plus récemment, des méthodes intégrant l'AOD au-delà de la colocalisation à l'aide de fonctions noyau spatio-temporelles ont été explorées, ce qui a permis d'améliorer la précision des prévisions. Cependant, ces fonctions noyau sont supposées symétriques et ne tiennent pas compte de l'influence directionnelle du vent sur le transport des polluants. De plus, l'effet de l'AOD pondérée sur les PM2,5 est supposé être stationnaire dans le temps. Nous proposons un modèle linéaire dynamique Bayésien à temps discret qui remédie à ces limites en intégrant des fonctions noyau spatiales anisotropes afin de tenir compte du transport par le vent et de l'effet AOD variable dans le temps à l'aide d'un processus d'état, ce qui permet une prédiction spatio-temporelle tout en représentant plus précisément les mécanismes physiques sous-jacents à la dispersion des PM.

Session

New Frontiers in Statistical Ecology: Animal Movement and Air Pollution Monitoring

Date and Time