Modeling NO2 air pollution variation during and after COVID-19-regulation using principal component analysis of satellite imagery - Archive ouverte HAL
Article Dans Une Revue Environmental Pollution Année : 2024

Modeling NO2 air pollution variation during and after COVID-19-regulation using principal component analysis of satellite imagery

Résumé

By implementing Principal Component Analysis (PCA) of multitemporal satellite data, this paper presents modeling solutions for air pollutant variation in three scenarios related to COVID-19 lockdown: pre, during, and after lockdown. Tropospheric NO2 satellite data from Sentinel-5P was used. Two novel PCA-models were developed: Weighted Principal Component Analysis (WPCA) and Rescaled Principal Component Analysis (RPCA). Model results were tested for goodness-of-fit to empirical NO2 data. The models were used to predict actual near-surface NO2 concentrations. Model-predicted NO2 concentrations were validated with NO2 data acquired at ground monitoring stations. Besides, meteorological bias affecting NO2 was assessed. It was found that the weather component had substantial impact on NO2 built-ups, propitiating air pollutant decrease during lockdown and increase after. WPCA and RPCA models well fitted to observed NO2. Both models accurately estimated near-surface NO2 concentrations. Modeled NO2 variation results evidenced the prolongated effect of the total lockdown (up to half a year). Model-predicted NO2 concentrations were found to highly correlate with monitoring station NO2 data collected on the ground. It is concluded that PCA is reliable in identifying and predicting air pollution variation patterns. The implementation of PCA is recommended when analyzing other pollutant gases.
En appliquant l'analyse en composantes principales (ACP) aux données satellitaires multitemporelles, cet article présente des solutions de modélisation pour la variation des polluants atmosphériques dans trois scénarios liés au confinement COVID-19 : avant, pendant et après le confinement. Les données troposphériques NO2 du satellite Sentinel-5P ont été utilisées. Deux nouveaux modèles d'ACP ont été développés : L'analyse en composantes principales pondérées (ACPP) et l'analyse en composantes principales rééchelonnées (ACPR). Les résultats des modèles ont été testés pour la qualité de l'ajustement aux données empiriques sur le NO2. Les modèles ont été utilisés pour prédire les concentrations réelles de NO2 près de la surface. Les concentrations de NO2 prédites par les modèles ont été validées avec les données de NO2 acquises dans les stations de surveillance au sol. En outre, les biais météorologiques affectant le NO2 ont été évalués. Il a été constaté que la composante météorologique avait un impact substantiel sur les accumulations de NO2, entraînant une diminution des polluants atmosphériques pendant le confinement et une augmentation après. Les modèles ACPP et ACPR sont bien adaptés au NO2 observé. Les deux modèles ont estimé avec précision les concentrations de NO2 près de la surface. Les résultats de la variation modélisée du NO2 ont mis en évidence l'effet prolongé de la fermeture totale (jusqu'à une demi-année). Les concentrations de NO2 prédites par le modèle se sont avérées être en étroite corrélation avec les données de NO2 recueillies au sol par les stations de surveillance. Il est conclu que l'ACP est fiable pour identifier et prédire les modèles de variation de la pollution atmosphérique. L'application de l'ACP est recommandée pour l'analyse d'autres gaz polluants.
Fichier non déposé

Dates et versions

hal-04593068 , version 1 (29-05-2024)

Licence

Copyright (Tous droits réservés)

Identifiants

Citer

Kamill Dániel Kovács, Ionel Haidu. Modeling NO2 air pollution variation during and after COVID-19-regulation using principal component analysis of satellite imagery. Environmental Pollution, 2024, 342, pp.122973. ⟨10.1016/j.envpol.2023.122973⟩. ⟨hal-04593068⟩
8 Consultations
0 Téléchargements

Altmetric

Partager

More