[논문 리뷰] Dynamic Principal Component Analysis: Identifying the Relationship between Multiple Air Pollutants

О. В. Мельников, Loren Hopkins외 1명|arXiv (Cornell University)|2016. 08. 10.

Water Quality Monitoring and Analysis참고 문헌 9인용 수 3

한 줄 요약

이 연구는 2009–2011년 휴스턴 지역의 오존(O3), 일氧化탄소(CO), 이산화질소(NO2), 이산화황(SO2), PM2.5 등 다섯 가지 대기_POLLUTANTS 간의 시간에 따라 변하는 상관관계를 모델링하기 위해 동적 주성분 분석(DPCA)을 도입한다. 시간당, 연중 일수 기반의 자료를 사용한다. DPCA는 일일 및 계절적 동역학을 포착하며, 겨울 아침에는 두 성분이 총 변동성의 최대 90%를 설명한다 (PC1: CO/NO2; PC2: SO2). 오후에는 PC1과 PC2가 함께 최대 65%의 변동성을 설명하며, 정적 PCA보다 비정상적인 오염물질 관계를 더 잘 포착한다.

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.

연구 동기 및 목표

• 정적 PCA가 시간에 따라 변하는 상관관계를 가진 비정상적이고 주기적 정상적인 대기질 데이터를 분석하는 데에 한계를 보이는 문제를 해결하기 위해.
• 이동 윈도우 접근법을 사용하여 시간과 일수를 기반으로 한 두 차원 시간 영역에서 정적 PCA를 적용함으로써 주기적 정상 시계열에 적절한 PCA 적용 방법을 시연하기 위해.
• 일일 및 계절 주기 동안 오염물질 간 선형 의존성의 포착 능력에서 DPCA와 정적 PCA의 상대적 성능을 평가하기 위해.
• 실제 대기질 지표(예: CO, NO2, SO2, O3)의 관점에서 동적 주성분 부하를 해석하기 위해.
• 특정 시간대와 계절에 따라 오염물질 간 강한 선형 의존성과 약한 선형 의존성의 패턴을 드러내기 위해.

제안 방법

• DPCA는 시간의 두 차원 영역인 하루 중 시간 × 연중 일수에 걸쳐 이동 윈도우 정적 PCA로 구현된다.
• 공간 평균 관측치(SAO)를 정규화하기 위해 로그 차분을 사용하여 NSAO(농도의 백분율 변화)로 변환함으로써 다변량 정규성을 근사한다.
• 각 시간대별로 독립적으로 동적 성분을 계산하여 시간에 따라 변하는 주성분 부하 및 설명된 분산을 분석할 수 있다.
• 주요 시간대(예: 오전 7시, 새벽 2시)에서 설명된 분산(EV)과 성분 부하를 평가하여 일일 패턴을 식별한다.
• 일/야, 여름/겨울 등 집계된 자료에 정적 PCA를 적용한 결과와 비교하여 성능 차이를 평가한다.
• 공간 모델링을 피하기는 하지만, 공간 평균 자료를 사용하여 강건성과 노이즈 감소를 향상시킨다.

실험 결과

연구 질문

• RQ1 다양한 시간대와 계절에 따라 다수의 대기오염물질 간 상관관계는 어떻게 변화하는가?
• RQ2 동적 PCA는 정적 PCA보다 시간에 따라 변하는 대기오염 데이터의 구조를 더 잘 포착할 수 있는가?
• RQ3 다양한 시간대와 연중 시점에서 첫 두 동적 주성분이 다변량 오염물질 시리즈의 총 변동성의 몇 퍼센트를 설명하는가?
• RQ4 동적 주성분의 부하는 특정 시간대에서 실질적인 오염원 또는 화학적 과정을 어떻게 반영하는가?
• RQ5 어떤 시간대(예: 아침, 오후, 겨울, 여름)에서 오염물질 간 선형 구조가 가장 안정적이고 정보가 풍부한가?

주요 결과

• 겨울 아침에는 주성분 1(PC1)이 CO와 NO2에 의해 주로 이끌리며, 다변량 대기오염물질 시리즈의 총 변동성의 최대 70%를 설명한다.
• 주성분 2(PC2)가 SO2에 의해 주로 영향을 받는 것으로 보완될 경우, 겨울 아침에는 누적 설명 분산이 90%로 상승한다.
• 오후에는 O3가 주성분 2에 두드러지게 영향을 미치며 광화학 반응을 반영한다.
• 주성분 기여도의 계절적 프로파일은 오후에는 명확성이 떨어지지만, 여전히 PC1과 PC2가 총 변동성의 최대 65%를 설명한다.
• DPCA는 일일 동역학이 아침에 가장 정보가 많음을 드러내며, 부하 계수는 계절에 걸쳐 일관된 비국소적 선형 구조를 보인다.
• 정적 PCA에 비해 DPCA는 훨씬 높은 설명 분산을 제공한다 — 겨울 야간에는 첫 번째 성분에서 최대 75%까지 설명되며, 시간에 따라 변하는 상관관계를 포착하는 데 뛰어난 성능을 보인다.