ترجمه فارسی مقاله ارتقای داده های PM2.5 و پیش بینی در شبکه های پایش کیفیت هوا با استفاده از مدل ترکیبی KNN-SINDy

چکیده

Air pollution, particularly particulate matter (PM2.5), poses significant risks to public health and the environment, necessitating accurate prediction and continuous monitoring for effective air quality management. However, air quality monitoring (AQM) data often suffer from missing records due to various technical difficulties. This study explores the application of Sparse Identification of Nonlinear Dynamics (SINDy) for imputing missing PM2.5 data by predicting, using training data from 2016, and comparing its performance with the established Soft Impute (SI) and K-Nearest Neighbors (KNN) methods.

چکیده به فارسی (ترجمه ماشینی)

آلودگی هوا ، به ویژه ذرات (PM2.5) ، خطرات قابل توجهی را برای بهداشت عمومی و محیط زیست ایجاد می کند ، که نیاز به پیش بینی دقیق و نظارت مداوم برای مدیریت کیفیت هوا دارد.با این حال ، داده های نظارت بر کیفیت هوا (AQM) اغلب به دلیل مشکلات مختلف فنی از سوابق گمشده رنج می برند.این مطالعه به بررسی استفاده از شناسایی پراکنده دینامیک غیرخطی (SINDY) برای تحمیل داده های مفقود شده PM2.5 با پیش بینی ، استفاده از داده های آموزش سال 2016 و مقایسه عملکرد آن با همسایگان نرم (SI) و K-Nearest (KNN) می پردازد.روشها