Prediction of vertical PM_2.5 concentrations alongside an elevated expressway by using the neural network hybrid model and generalized additive model

Abstract

A study on vertical variation of PM_2.5 concentrations was carried out in this paper. Field measurements were conducted at eight different floor heights outside a building alongside a typical elevated expressway in downtown Shanghai, China. Results show that PM_2.5 concentration decreases significantly with the increase of height from the 3rd to 7th floor or the 8th to 15th floor, and increases suddenly from the 7th to 8th floor which is the same height as the elevated expressway. A non-parametric test indicates that the data of PM_2.5 concentration is statistically different under the 7th floor and above the 8th floor at the 5% significance level. To investigate the relationships between PM_2.5 concentration and influencing factors, the Pearson correlation analysis was performed and the results indicate that both traffic and meteorological factors have crucial impacts on the variation of PM_2.5 concentration, but there is a rather large variation in correlation coefficients under the 7th floor and above the 8th floor. Furthermore, the back propagation neural network based on principal component analysis (PCA-BPNN), as well as generalized additive model (GAM), was applied to predict the vertical PM_2.5 concentration and examined with the field measurement dataset. Experimental results indicated that both models can obtain accurate predictions, while PCA-BPNN model provides more reliable and accurate predictions as it can reduce the complexity and eliminate data co-linearity. These findings reveal the vertical distribution of PM_2.5 concentration and the potential of the proposed model to be applicable to predict the vertical trends of air pollution in similar situations.

Keywords

vertical variations / principal component analysis / back propagation neural network / generalized additive model / urban elevated expressway

References

[1] Abdul-Wahab S A, Bakheit C S, Al-Alawi S M (2005). Principal component and multiple regression analysis in modelling of ground-level ozone and factors affecting its concentrations. Environ Model Softw, 20(10): 1263–1271

[2] Aldrin M, Haff I H (2005). Generalised additive modelling of air pollution, traffic volume and meteorology. Atmos Environ, 39(11): 2145–2155

[3] Cai M, Yin Y, Xie M (2009). Prediction of hourly air pollutant concentrations near urban arterials using artificial neural network approach. Transp Res Part D Transp Environ, 14(1): 32–41

[4] Carslaw D C, Beevers S D, Tate J E (2007). Modelling and assessing trends in traffic-related emissions using a generalised additive modelling approach. Atmos Environ, 41(26): 5289–5299

[5] Chan L Y, Kwok W S (2000). Vertical dispersion of suspended particulates in urban area of Hong Kong. Atmos Environ, 34(26): 4403–4412

[6] Colls J J, Micallef A (1999). Measured and modelled concentrations and vertical profiles of airborne particulate matter within the boundary layer of a street canyon. Sci Total Environ, 235(1‒3): 221–233

[7] Chaloulakou  A, Saisana  M, Spyrellis  N (2003). Comparative assessment of neural networks and regression models for forecasting summertime ozone in Athens. Science of the Total Environment, 313(1): 1–13

[8] Gardner  M W, Dorling  S R (2000). Statistical surface ozone models: an improved methodology to account for non-linear behaviour. Atmospheric Environment, 34(1): 21–34

[9] Hastie T J, Tibshirani R J (1990). Generalized additive models. London: Chapman and Hall 

[10] He H D, Lu W Z (2012). Urban aerosol particulates on Hong Kong roadsides: size distribution and concentration levels with time. Stochastic Environ Res Risk Assess, 26(2): 177–187

[11] He H D, Lu W Z, Xue Y (2014). Prediction of particulate matters at urban intersection by using multilayer perceptron model based on principal components. Stochastic Environ Res Risk Assess, 29(8): 2107–2114

[12] He J, Qi Z, Zhao C, Bao X (2009). Simulations of pollutant dispersion at toll plazas using three-dimensional CFD models. Transp Res Part D Transp Environ, 14(8): 557–566160;

[13] Kumar P, Fennell P, Langley D, Britter R (2008). Pseudo-simultaneous measurements for the vertical variation of coarse fine and ultrafine particles in an urban street canyon. Atmos Environ, 42(18): 4304–4319

[14] Kumar P, Garmory A, Ketzel M, Berkowicz R, Britter R (2009). Comparative study of measured and modelled number concentrations of nanoparticles in an urban street canyon. Atmos Environ, 43(4): 949–958

[15] Li X, Wang J, Tu X D, Liu W, Huang Z (2007). Vertical variations of particle number concentration and size distribution in a street canyon in Shanghai, China. Sci Total Environ, 378(3): 306–316

[16] Longley I D, Gallagher M W, Dorsey J R, Flynn M (2004). A case-study of fine particle concentrations and fluxes measured in a busy street canyon in Manchester, UK. Atmos Environ, 38(22): 3595–3603

[17] Mazzoleni C, Moosmüller H, Kuhns H D, Keislar R E, Barber P W, Nikolic D, Nussbaum N J, Watson J G (2004). Correlation between automotive CO, HC, NO, and PM emission factors from on-road remote sensing: implications for inspection and maintenance programs. Transp Res Part D Transp Environ, 9(6): 477–496

[18] McNabola A, Broderick B M, Gill L W (2009). The impacts of inter-vehicle spacing on in-vehicle air pollution concentrations in idling urban traffic conditions. Transp Res Part D Transp Environ, 14(8): 567–575

[19] Milionis  A E, Davies  T D (1994). Box-Jenkins univariate modelling for climatological time series analysis: an application to the monthly activity of temperature inversions. International Journal of Climatology, 14(5): 569–579.

[20] Moseholm L, Silva J, Larson T (1996). Forecasting carbon monoxide concentrations near a sheltered intersection using video traffic surveillance and neural networks. Transp Res Part D Transp Environ, 1(1): 15–28

[21] Muñoz E, Martin M L, Turias I J, Jimenez-Come M J, Trujillo F J (2014). Prediction of PM10 and SO₂ exceedances to control air pollution in the Bay of Algeciras, Spain. Stochastic Environ Res Risk Assess, 28(6): 1409–1420

[22] Nagendra S S, Khare M (2006). Artificial neural network approach for modelling nitrogen dioxide dispersion from vehicular exhaust emissions. Ecol Modell, 190(1‒2): 99–115

[23] Ng  H K T, Balakrishnan  N, Panchapakesan  S (2007). Selecting the best population using a test for equality based on minimal Wilcoxon rank-sum precedence statistic. Methodology and Computing in Applied Probability, 9(2): 263–305

[24] Schleicher N J, Norra S, Chai F, Chen Y, Wang S, Cen K, Yu  Y, Stüben D (2011). Temporal variability of trace metal mobility of urban particulate matter from Beijing–A contribution to health impact assessments of aerosols. Atmos Environ, 45(39): 7248–7265

[25] Schlink U, Dorling S, Pelikan E, Nunnari G, Cawley G, Junninen H, Greig  A, Foxall  R, Eben  K, Chatterton  T, Vondracek  J, Richter  M, Dostal  M, Bertucco  L, Kolehmainen  M, Doyle M (2003). A rigorous inter-comparison of ground-level ozone predictions. Atmos Environ, 37(23): 3237–3253

[26] Sousa S I V, Martins F G, Alvim-Ferraz M C M, Pereira M C (2007). Multiple linear regression and artificial neural networks based on principal components to predict ozone concentrations. Environ Model Softw, 22(1): 97–103

[27] Tang T Q, Huang H J, Shang H Y (2015c). Influences of the driver’s bounded rationality on micro driving behavior, fuel consumption and emissions. Transp Res Part D Transp Environ, 41: 423–432

[28] Tang T Q, Yu Q, Yang S C, Ding C (2015a). Impacts of the vehicle’s fuel consumption and exhaust emissions on the trip cost allowing late arrival under car-following model.  Physica A: Statistical Mechanics and its Applications,  431: 52–62

[29] Tang  T Q, Li  J G, Yang  S C, Shang  H Y (2015b). Effects of on-ramp on the fuel consumption of the vehicles on the main road under car-following model.  Physica A: Statistical Mechanics and its Applications,  419: 293–300

[30] Wang J S, Chan T L, Ning Z, Leung C W, Cheung C S, Hung W T (2006). Roadside measurement and prediction of CO and PM2.5 dispersion from on-road vehicles in Hong Kong. Transp Res Part D Transp Environ, 11(4): 242–249

[31] Wang J S, Huang Z (2002). Numerical study on impact of urban viaduct on local-scale of atmospheric environment. Shanghai Environmental Sciences, 21(3): 132–135

[32] Wang Z, He H D, Lu F, Lu Q C, Peng Z R (2015a). Hybrid model for prediction of carbon monoxide and fine particulate matter concentrations near a road intersection. Transp Res Rec, 2503: 29–38

[33] Wang Z, Lu F, He  H D, Lu Q C, Wang D, Peng Z R (2015b). Fine-scale estimation of carbon monoxide and fine particulate matter concentrations in proximity to a road intersection by using wavelet neural network with genetic algorithm. Atmos Environ, 104: 264–272

[34] Wang Z, Lu Q C, He  H D, Wang D, Gao Y, Peng Z R (2016). Investigation of the spatiotemporal variation and influencing factors on fine particulate matter and carbon monoxide concentrations near a road intersection. Front. Earth Sci., doi: 10.1007/s11707-016-0564-5

[35] Weber S, Kuttler W, Weber K (2006). Flow characteristics and particle mass and number concentration variability within a busy urban street canyon. Atmos Environ, 40(39): 7565–7578

[36] Wood S N, Augustin N H (2002). GAMs with integrated model selection using penalized regression splines and applications to environmental modelling. Ecol Modell, 157(2‒3): 157–177

[37] Zhang  C J, Zeng  J R, Wen  M, Zhang  G L, Fang  H P, Li  Y (2012). Influence of Viaducts on Dispersion of Air Particles in Street Canyons. Research of Environmental Sciences, 25(2): 159–164.

[38] Zhang D Z, Peng Z R (2014). Near-road fine particulate matter concentration estimation using artificial neural network approach. Int J Environ Sci Technol, 11(8): 2403–2412

[39] Zhang K, Batterman S (2010). Near-road air pollutant concentrations of CO and PM_2.5: A comparison of MOBILE6. 2/CALINE4 and generalized additive models. Atmos Environ, 44(14): 1740–1748

[40] Zhang L D, Zhu W X (2015). Delay-feedback control strategy for reducing emission of traffic flow system.  Physica A: Statistical Mechanics and its Applications,  428: 481–492

RIGHTS & PERMISSIONS

Higher Education Press and Springer-Verlag Berlin Heidelberg