[論文レビュー] Dynamic Principal Component Analysis: Identifying the Relationship between Multiple Air Pollutants

О. В. Мельников, Loren Hopkins+1 more|arXiv (Cornell University)|Aug 10, 2016

Water Quality Monitoring and Analysis参考文献 9被引用数 3

ひとこと要約

本研究では、2009–2011年のヒューストンにおける5つの大気汚染物質（O3、CO、NO2、SO2、PM2.5）の時間変動する相関関係をモデル化するために動的主成分分析（DPCA）を導入した。1時間ごと、年間の日付に分解されたデータを用いた。DPCAは、日周期的および季節的ダイナミクスを捉え、冬の朝には2つの主成分が合計で90%の変動を説明することが判明した（PC1：CO/NO2；PC2：SO2）。昼間にはPC1とPC2が合計で65%を説明し、非定常的な汚染物質関係を捉える点で、静的PCAを上回った。

ABSTRACT

The dynamic nature of air quality chemistry and transport makes it difficult to identify the mixture of air pollutants for a region. In this study of air quality in the Houston metropolitan area we apply dynamic principal component analysis (DPCA) to a normalized multivariate time series of daily concentration measurements of five pollutants (O3, CO, NO2, SO2, PM2.5) from January 1, 2009 through December 31, 2011 for each of the 24 hours in a day. The resulting dynamic components are examined by hour across days for the 3 year period. Diurnal and seasonal patterns are revealed underlining times when DPCA performs best and two principal components (PCs) explain most variability in the multivariate series. DPCA is shown to be superior to static principal component analysis (PCA) in discovery of linear relations among transformed pollutant measurements. DPCA captures the time-dependent correlation structure of the underlying pollutants recorded at up to 34 monitoring sites in the region. In winter mornings the first principal component (PC1) (mainly CO and NO2) explains up to 70% of variability. Augmenting with the second principal component (PC2) (mainly driven by SO2) the explained variability rises to 90%. In the afternoon, O3 gains prominence in the second principal component. The seasonal profile of PCs' contribution to variance loses its distinction in the afternoon, yet cumulatively PC1 and PC2 still explain up to 65% of variability in ambient air data. DPCA provides a strategy for identifying the changing air quality profile for the region studied.

研究の動機と目的

• 非定常的かつ周期定常的な大気質データにおける時間変動する相関関係を分析する際、静的PCAの限界を克服すること。
• 時間的周期性を持つ時系列データに適切にPCAを適用する方法を示すために、時間軸（時間・日）に沿った移動窓アプローチ（DPCA）を用いること。
• 日周期および季節サイクルにわたる大気汚染物質間の線形依存関係を捉える能力について、DPCAと静的PCAの相対的性能を評価すること。
• 時間別に変化する主成分負荷係数を、現実の大気質指標（例：CO、NO2、SO2、O3）の観点から解釈すること。
• 異なる時間帯（日中・夜間）および季節における汚染物質間の強い・弱い線形依存のパターンを明らかにすること。

提案手法

• DPCAは、2次元時間領域（1日中の時間 × 年間の日）に沿った移動窓を用いた静的PCAとして実装された。
• データは、空間平均観測値（SAO）を正規化するために対数差分処理され、多変量正規性に近づけるためにNSAO（濃度の変化率、パーセンテージ）に変換された。
• 各時間帯ごとに独立して動的主成分が計算され、時間変動する主成分負荷係数および説明される分散の分析が可能になった。
• 日周期的パターンを特定するために、特に7時と2時の時間帯における説明される分散（EV）および主成分負荷係数を評価した。
• 性能差を評価するために、集約データ（例：昼間・夜間、夏期・冬期）に適用した静的PCAと比較した。
• 空間モデル化を回避したが、空間平均データを用いることで、ノイズを低減し、推定の堅牢性を高めた。

実験結果

リサーチクエスチョン

• RQ1 複数の大気汚染物質間の相関関係は、1日中の異なる時間帯および季節によってどのように変化するか？
• RQ2 動的PCAは、静的PCAに比べて、大気汚染データの時間変動する構造をよりよく捉えられるか？
• RQ3 1年を通じて、異なる時間帯および季節における2つの最初の動的主成分が、多変量汚染物質系列の合計変動の何パーセントを説明するか？
• RQ4 動的主成分の負荷係数は、特定の時間に、実際の汚染物質の発生源や化学反応をどのように反映しているか？
• RQ5 どの時間帯（例：朝、昼、冬、夏）において、汚染物質間の線形構造が最も安定的かつ情報的であるか？

主な発見

• 冬の朝には、主にCOとNO2によって駆動される最初の主成分（PC1）が、多変量大気汚染物質系列の合計変動の最大70%を説明した。
• 2番目の主成分（PC2）を加えることで、合計説明分散は冬の朝に90%まで上昇した。PC2は主にSO2に影響を受けていた。
• 昼間には、O3が2番目の主成分に顕著に現れ、光化学反応を反映していた。
• 昼間の主成分寄与の季節的プロファイルは、明確さを失うが、PC1とPC2は依然として合計で最大65%の合計変動を説明した。
• DPCAは、日周期的ダイナミクスが最も情報的であるのは朝であり、負荷係数が季節をまたいで一貫した非局所的線形構造を示していることを明らかにした。
• 静的PCAと比較して、DPCAははるかに高い説明分散を示した。特に冬の夜間では、最初の主成分が最大75%の分散を説明し、時間依存する相関関係を捉える点で優れた性能を示した。