Published November 24, 2021 | Version v1
Publication Open

Particulate matter (PM10) prediction based on multiple linear regression: a case study in Chiang Rai Province, Thailand

Creators

  • 1. Mahidol Oxford Tropical Medicine Research Unit
  • 2. Mahidol University
  • 3. St. George's University
  • 4. Walailak University
  • 5. National Institute of Development Administration

Description

Abstract Background The northern regions of Thailand have been facing haze episodes and transboundary air pollution every year in which particulate matter, particularly PM 10 , accumulates in the air, detrimentally affecting human health. Chiang Rai province is one of the country's most popular tourist destinations as well as an important economic hub. This study aims to develop and compare the best-fitted model for PM 10 prediction for different seasons using meteorological factors. Method The air pollution and weather data acquired from the Pollution Control Department (PCD) spanned from the years 2011 until 2018 at two stations on an hourly basis. Four different stepwise Multiple Linear Regression (MLR) models for predicting the PM 10 concentration were then developed, namely annual, summer, rainy, and winter seasons. Results The maximum daily PM 10 concentration was observed in the summer season for both stations. The minimum daily concentration was detected in the rainy season. The seasonal variation of PM 10 was significantly different for both stations. CO was moderately related to PM 10 in the summer season. The PM 10 summer model was the best MLR model to predict PM 10 during haze episodes. In both stations, it revealed an R 2 of 0.73 and 0.61 in stations 65 and 71, respectively. Relative humidity and atmospheric pressure display negative relationships, although temperature is positively correlated with PM 10 concentrations in summer and rainy seasons. Whereas pressure plays a positive relationship with PM 10 in the winter season. Conclusions In conclusion, the MLR models are effective at estimating PM 10 concentrations at the local level for each seasonal. The annual MLR model at both stations indicates a good prediction with an R 2 of 0.61 and 0.52 for stations 65 and 73, respectively.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تواجه المناطق الشمالية من تايلاند نوبات ضبابية وتلوث هواء عابر للحدود كل عام تتراكم فيه الجسيمات، وخاصة PM 10 ، في الهواء، مما يؤثر سلبًا على صحة الإنسان. تعد مقاطعة شيانغ راي واحدة من أكثر الوجهات السياحية شعبية في البلاد بالإضافة إلى كونها مركزًا اقتصاديًا مهمًا. تهدف هذه الدراسة إلى تطوير ومقارنة النموذج الأنسب لتنبؤات PM 10 للمواسم المختلفة باستخدام عوامل الأرصاد الجوية. الطريقة امتدت بيانات تلوث الهواء والطقس التي تم الحصول عليها من إدارة مكافحة التلوث (PCD) من عام 2011 حتى عام 2018 في محطتين على أساس الساعة. ثم تم تطوير أربعة نماذج مختلفة للانحدار الخطي المتعدد (MLR) للتنبؤ بتركيز PM 10، وهي فصول السنة والصيف والأمطار والشتاء. النتائج لوحظ الحد الأقصى لتركيز PM 10 اليومي في موسم الصيف لكلا المحطتين. تم اكتشاف الحد الأدنى للتركيز اليومي في موسم الأمطار. كان التباين الموسمي لـ PM 10 مختلفًا اختلافًا كبيرًا لكلا المحطتين. كان CO مرتبطًا بشكل معتدل بـ PM 10 في موسم الصيف. كان نموذج PM 10 الصيفي أفضل نموذج MLR للتنبؤ بـ PM 10 خلال نوبات الضباب. في كلتا المحطتين، كشفت عن R 2 بقيمة 0.73 و 0.61 في المحطتين 65 و 71 على التوالي. تعرض الرطوبة النسبية والضغط الجوي علاقات سلبية، على الرغم من أن درجة الحرارة ترتبط ارتباطًا إيجابيًا بتركيزات PM 10 في مواسم الصيف والأمطار. في حين أن الضغط يلعب علاقة إيجابية مع PM 10 في فصل الشتاء. الاستنتاجات في الختام، نماذج MLR فعالة في تقدير تركيزات PM 10 على المستوى المحلي لكل موسم. يشير نموذج MLR السنوي في كلتا المحطتين إلى توقع جيد مع R 2 من 0.61 و 0.52 للمحطات 65 و 73، على التوالي.

Translated Description (French)

Résumé Contexte Les régions du nord de la Thaïlande sont confrontées chaque année à des épisodes de brume et à une pollution atmosphérique transfrontalière au cours desquels les particules, en particulier les PM 10 , s'accumulent dans l'air, ce qui nuit à la santé humaine. La province de Chiang Rai est l'une des destinations touristiques les plus populaires du pays ainsi qu'un important centre économique. Cette étude vise à développer et à comparer le modèle le mieux adapté pour la prédiction des PM 10 pour différentes saisons à l'aide de facteurs météorologiques. Méthode Les données sur la pollution de l'air et les conditions météorologiques acquises auprès du service de contrôle de la pollution (PCD) s'étendent de 2011 à 2018 dans deux stations sur une base horaire. Quatre modèles différents de régression linéaire multiple (MLR) par étapes pour prédire la concentration de PM 10 ont ensuite été développés, à savoir les saisons annuelle, estivale, pluvieuse et hivernale. Résultats La concentration quotidienne maximale de PM 10 a été observée pendant la saison estivale pour les deux stations. La concentration quotidienne minimale a été détectée pendant la saison des pluies. La variation saisonnière des PM 10 était significativement différente pour les deux stations. Le CO était modérément lié aux PM 10 pendant la saison estivale. Le modèle d'été PM 10 était le meilleur modèle MLR pour prédire les PM 10 pendant les épisodes de brume. Dans les deux stations, il a révélé un R 2 de 0,73 et 0,61 dans les stations 65 et 71, respectivement. L'humidité relative et la pression atmosphérique présentent des relations négatives, bien que la température soit positivement corrélée aux concentrations de PM 10 en été et en saison des pluies. Alors que la pression joue un rôle positif avec les PM 10 pendant la saison hivernale. Conclusions En conclusion, les modèles MLR sont efficaces pour estimer les concentrations de PM 10 au niveau local pour chaque saison. Le modèle annuel de MLR aux deux stations indique une bonne prédiction avec un R 2 de 0,61 et 0,52 pour les stations 65 et 73, respectivement.

Translated Description (Spanish)

Antecedentes abstractos Las regiones del norte de Tailandia se han enfrentado a episodios de neblina y contaminación atmosférica transfronteriza cada año en los que las partículas, en particular las PM 10 , se acumulan en el aire, lo que afecta negativamente a la salud humana. La provincia de Chiang Rai es uno de los destinos turísticos más populares del país, así como un importante centro económico. Este estudio tiene como objetivo desarrollar y comparar el modelo mejor ajustado para la predicción de PM 10 para diferentes estaciones utilizando factores meteorológicos. Método Los datos de contaminación atmosférica y meteorológica adquiridos del Departamento de Control de la Contaminación (PCD) abarcaron desde los años 2011 hasta 2018 en dos estaciones por hora. Luego se desarrollaron cuatro modelos diferentes de Regresión Lineal Múltiple (MLR) paso a paso para predecir la concentración de PM 10, a saber, temporadas anuales, de verano, lluviosas e invierno. Resultados La concentración máxima diaria de PM 10 se observó en la temporada de verano para ambas estaciones. La concentración mínima diaria se detectó en la temporada de lluvias. La variación estacional de PM 10 fue significativamente diferente para ambas estaciones. La CO estuvo moderadamente relacionada con la PM 10 en la temporada de verano. El modelo de verano de PM 10 fue el mejor modelo de MLR para predecir PM 10 durante los episodios de neblina. En ambas estaciones se evidenció un R 2 de 0.73 y 0.61 en las estaciones 65 y 71, respectivamente. La humedad relativa y la presión atmosférica muestran relaciones negativas, aunque la temperatura se correlaciona positivamente con las concentraciones de PM 10 en las estaciones de verano y lluvia. Mientras que la presión juega una relación positiva con las PM 10 en la temporada de invierno. Conclusiones En conclusión, los modelos MLR son efectivos para estimar las concentraciones de PM 10 a nivel local para cada temporada. El modelo de MLR anual en ambas estaciones indica una buena predicción con un R 2 de 0.61 y 0.52 para las estaciones 65 y 73, respectivamente.

Files

s12889-021-12217-2.pdf

Files (2.2 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:4d0701b64e29785406421e550c9a81e7
2.2 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التنبؤ بالجسيمات (PM10) بناءً على الانحدار الخطي المتعدد: دراسة حالة في مقاطعة شيانغ راي، تايلاند
Translated title (French)
Prévision des particules (PM10) basée sur une régression linéaire multiple : une étude de cas dans la province de Chiang Rai, Thaïlande
Translated title (Spanish)
Predicción de materia particulada (PM10) basada en regresión lineal múltiple: un estudio de caso en la provincia de Chiang Rai, Tailandia

Identifiers

Other
https://openalex.org/W3215504156
DOI
10.1186/s12889-021-12217-2

Is supplement to
https://openalex.org/W2964624622 (Other)
https://openalex.org/W2397673276 (Other)
https://openalex.org/W2394444438 (Other)
https://openalex.org/W2388134306 (Other)
https://openalex.org/W2387386748 (Other)
https://openalex.org/W2377493372 (Other)
https://openalex.org/W2377355001 (Other)
https://openalex.org/W2371905190 (Other)
https://openalex.org/W2348696601 (Other)
https://openalex.org/W2318437963 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Thailand

References

  • https://openalex.org/W1511485778
  • https://openalex.org/W196480887
  • https://openalex.org/W1998074398
  • https://openalex.org/W2006575724
  • https://openalex.org/W2088089593
  • https://openalex.org/W2092939180
  • https://openalex.org/W2121412437
  • https://openalex.org/W2766720167
  • https://openalex.org/W2768048271
  • https://openalex.org/W2772375633
  • https://openalex.org/W2806319104
  • https://openalex.org/W2892356018
  • https://openalex.org/W2892410816
  • https://openalex.org/W2903857177
  • https://openalex.org/W2945228580
  • https://openalex.org/W3010886064
  • https://openalex.org/W3039130581
  • https://openalex.org/W3042988072