English Abstract It is well-known that a large part of the year-to-year
variation in annual distribution of daily concentrations of air pollutants
is due to fluctuations in the frequency and severity of meteorological
conditions. This variability makes it difficult to estimate the
effectiveness of emission control strategies. In this report we have
demonstrated how a series of binary decision rules, known as Classification
And Regression Trees (CART), can be used to calculate pollution
concentrations that are standardized to levels expected to occur under a
fixed (reference) set of meteorological conditions. Such meteo-corrected
concentration measures can then be used to identify "underlying" air quality
trends resulting from changes in emissions that may otherwise be difficult
to distinguish due to the interfering effects of unusual weather patterns.
The examples here concern air pollution data (daily concentrations of SO2
and PM10). However, the methodology could very well be applied to water and
soil applications. Classification trees, where the response variable is
categorical, have important applications in the field of public health.
Furthermore, Regression Trees, which have a continuous response variable,
are very well suited for situations where physically oriented models explain
(part of) the variability in the response variable. Here, CART analysis and
physically oriented models are not exclusive but complementary
tools.
Rapport in het kort
Dag-op-dag-variaties in meteorologische condities zijn
een belangrijke oorzaak van variaties in het concentratieverloop van
luchtveronreinigende stoffen. Deze aan meteorologie gekoppelde variaties
werken ook door in jaargemiddelde concentraties. Daarom is het moeilijk om
te beoordelen in hoeverre jaargemiddelde patronen van luchtverontreinigende
componenten beinvloed worden door emissiereducties. Zo'n beoordeling is
zeer beleidsrelevant omdat emissiereducties over het algemeen gepaard gaan
met hoge kosten. Daarom zal er, om een een maatschapppelijke draagvlak te
garanderen, een relatie gelegd moeten worden tussen trends in antropogene
emissies enerzijds en trends in concentraties anderzijds. In dit rapport
tonen we aan hoe met behulp van een reeks binaire beslisregels, bekend
staand onder de naam Classificatie- en Regressiebomen (Eng: CART), gemeten
concentraties getransformeerd kunnen worden naar concentraties die er zouden
zijn geweest onder standaard meteorologische condities. Deze
meteo-gecorrigeerde concentraties kunnen vervolgens gebruikt worden om
trends in luchtkwaliteit beter te identificeren. Voorbeelden worden gegeven
voor SO2- en PM10-meetreeksen.
