O modelo de efeitos mistos permite uma identificação mais precisa de pontos críticos nos quais as variáveis atmosféricas se relacionam de maneira diferente em comparação com outras áreas. Crédito:John Wiley &Sons Ltd.
Um método mais confiável para identificar regiões com diferentes relações entre a poluição do ar e as condições climáticas melhora a detecção de pontos críticos de poluição.
A relação entre as condições climáticas e a poluição do ar é complexa e pode variar enormemente de um local para outro. Isso torna difícil identificar as fontes de poluição e prever seu comportamento na atmosfera. Embora cientistas de dados e estatísticos tenham feito um progresso significativo na luta contra esse problema, os enormes volumes de dados ambientais e inúmeras variáveis, como a velocidade do vento, componente de temperatura e poluição, exigem concessões para tornar o problema administrável.
Por exemplo, a maioria das abordagens existentes para detectar "pontos de acesso" na correlação entre variáveis em dados espaciais envolve a construção de uma grade na qual a relação entre as variáveis em uma célula é tratada independentemente de todas as outras. Embora isso não seja totalmente realista - frequentemente há dependência entre áreas espaciais, particularmente em dados de clima e poluição do ar - é extraordinariamente difícil encontrar pontos de acesso espaciais e determinar a estrutura de dependência espacial ao mesmo tempo.
Ying Sun e Junho Lee do Laboratório de Estatísticas Ambientais da KAUST deram um salto em frente na abordagem deste problema com o desenvolvimento de um "modelo de efeito misto" para detecção de pontos quentes.
Este mapa mostra como o modelo de efeito misto divide o nordeste dos EUA em blocos, permitindo que eles identifiquem "pontos de acesso". Crédito:John Wiley &Sons Ltd
"Abordamos o problema usando uma estrutura de bloco espacial simples para aproximar a dependência espacial, "diz Lee." Isso nos permite encontrar pontos de acesso espaciais que mostram padrões distintos, enquanto reduz a taxa de falsos positivos devido à dependência espacial. "
A abordagem, desenvolvido em colaboração com Howard Chang da Emory University nos Estados Unidos, envolve quebrar a região em blocos e aplicar sequencialmente efeitos aleatórios aos blocos para extrair fortes correlações da variabilidade de fundo ou "ruído". Isso tem o benefício adicional de ser capaz de identificar qualquer número de clusters de pontos de acesso nos dados, incluindo clusters que podem se sobrepor.
"O principal desafio era como decidir um tamanho de bloco apropriado para os efeitos aleatórios, "diz Lee." Decidimos combinar o tamanho do bloco com a faixa de dependência espacial nos dados. "
A equipe aplicou seu método para analisar dados de poluição do ar no nordeste dos Estados Unidos. Eles descobriram que no verão, as concentrações de partículas em escala micrométrica no ar (PM2,5) aumentaram com a temperatura e diminuíram com a umidade relativa na maior parte da região.
"Contudo, com a nossa abordagem, poderíamos encontrar áreas distintas com a tendência oposta, como na área da Baía de Chesapeake, onde há uma associação negativa entre PM2,5 e temperatura, e ao redor do Maine, onde há uma correlação positiva entre PM2,5 e umidade relativa, "diz Lee.
