Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

The Neural Network Assisted Land Use Regression

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27350%2F21%3A10247922" target="_blank" >RIV/61989100:27350/21:10247922 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/61989100:27360/21:10247922 RIV/61989100:27710/21:10247922

  • Výsledek na webu

    <a href="https://doi.org/10.3390/atmos12040452" target="_blank" >https://doi.org/10.3390/atmos12040452</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3390/atmos12040452" target="_blank" >10.3390/atmos12040452</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    The Neural Network Assisted Land Use Regression

  • Popis výsledku v původním jazyce

    Land Use Regression (LUR) is one of the air quality assessment modelling techniques. Its advantages lie mainly in a much simpler mathematical apparatus, quicker and simpler calculations, and a possibility to incorporate more factors affecting pollutant concentration than standard dispersion models. The goal of the study was to perform the LUR model in the Polish-Czech-Slovakian Tritia region, to test two sets of pollution data input factors, i.e., factors based on emission data and pollution dispersion model results, to test regression via neural networks and compare it with standard linear regression. Both input datasets, emission data and pollution dispersion model results, provided a similar quality of results in the case when standard linear regression was used, the R-2 of the models was 0.639 and 0.652. Neural network regression provided a significantly higher quality of the models, their R-2 was 0.937 and 0.938 for the factors based on emission data and pollution dispersion model results respectively.

  • Název v anglickém jazyce

    The Neural Network Assisted Land Use Regression

  • Popis výsledku anglicky

    Land Use Regression (LUR) is one of the air quality assessment modelling techniques. Its advantages lie mainly in a much simpler mathematical apparatus, quicker and simpler calculations, and a possibility to incorporate more factors affecting pollutant concentration than standard dispersion models. The goal of the study was to perform the LUR model in the Polish-Czech-Slovakian Tritia region, to test two sets of pollution data input factors, i.e., factors based on emission data and pollution dispersion model results, to test regression via neural networks and compare it with standard linear regression. Both input datasets, emission data and pollution dispersion model results, provided a similar quality of results in the case when standard linear regression was used, the R-2 of the models was 0.639 and 0.652. Neural network regression provided a significantly higher quality of the models, their R-2 was 0.937 and 0.938 for the factors based on emission data and pollution dispersion model results respectively.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    20700 - Environmental engineering

Návaznosti výsledku

  • Projekt

  • Návaznosti

    V - Vyzkumna aktivita podporovana z jinych verejnych zdroju

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Atmosphere

  • ISSN

    2073-4433

  • e-ISSN

  • Svazek periodika

    12

  • Číslo periodika v rámci svazku

    4

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    23

  • Strana od-do

  • Kód UT WoS článku

    000642740300001

  • EID výsledku v databázi Scopus