and complexity of the study area, t

and complexity of the study area, the completeness and quality of
predictor variables and quality of geo-coding. Substantial variation
in measured concentrations was found for both NO2 and NOx in all
areas. The on-average lower R2 in Southern-Europe could be due to
any of these factors, except concentration variability. An additional
analysis showed that LUR models with local traffic intensity data
had R2 values which were on average 10% higher than models
without local traffic intensity data. In several of the South-
European study areas, traffic intensity data were missing or
available on a limited scale only. Probably the more compact
structure of cities in the South, resulting in high concentrations in
canyon-like streets with moderate traffic intensity has contributed
to the lower R2 as no areas had data on street configuration
available.
Models in the 36 study areas differed in the variables that were
included in the models and/or the buffer size or type of road. This
resulted from the decision to estimate the best prediction model for
each individual study area. There are however also important
similarities between the models. Fig. 3 showed that traffic variables
were more often included than the background predictor variables
in the NO2 LUR models. All models contained a traffic variable.
Traffic intensity of buffers smaller than 100 m was the most common
traffic variable. All models contained a traffic variable
describing small-scale variation, in line with studies that showed
that NO2 concentrations have a large decline in the first 100e200m
near high traffic intensity roads (Rijnders et al., 2001; Gilbert et al.,
2003). In addition, several models included traffic variables with a
1000 m buffer, such as the total traffic load on all roads or major
roads or the length of all roads, indicating a larger scale of influence,
i.e. representing larger-area traffic density (Su et al., 2009). Population/
address density was another common variable, consistent
with well documented urbanerural differences related to a variety
of sources including traffic and home heating (Brauer et al., 2003).
Even though industry is an important emission source of NO2 few
models contained industry variables. This is mainly a result of the
non-specificity of the CORINE industry variables which does not
distinguish type of industry and the selection of monitoring
locations.
Direct comparison of values for regression coefficients of similar
predictor variables in LUR models of different areas is difficult as
the coefficient depends on the other included predictors. In addition,
GIS predictor data can also differ between study areas with
regards to accuracy and completeness. For example, CORINE data
are European wide data but are based on national data, so can have
differences between countries.
4.2. Modelling experiences
Because within the ESCAPE project LUR models have been
developed in so many areas using the standardized approach
several lessons have been learned. We used a standardized and
common site selection procedure in all study areas aiming at representing
the anticipated spatial variation of air pollution in the
included cohort studies, purposely over representing street sites
(Cyrys et al., 2012). If the range in measured concentrations is small,
then this complicates the development of good LUR models. It is
therefore important that the locations of the monitoring sites
represent a large diversity of potential sources of air pollution
variability such as traffic intensity, population density, industry, etc.
It is also important to include the whole range of each characteristic
when selecting sites, and not include only the busiest road for
example, because this occasionally introduced an influential
observation during model development. Predictor variables with a
small variation (e.g. many zero values) also were found to be
problematic.
The aim was to standardize model development in all study
areas. It was however not possible due to differences in availability
to standardize the used predictor variables in all areas. This illustrates
the need to make European-wide GIS data available and have
EU-wide standards for collecting and standardizing these data.
Central predictor variables were available for almost all areas, but
local predictors differed per study area. Models often included a
mixture of central and local predictor variables.
There is no universal standard method for developing LUR
models. Within the ESCAPE project we did not use an automatic
variable selection method but used a supervised forward stepwise
procedure. The procedure included a priori defined predictor variables
and a priori defined directions of effect for all predictor
variables which were based on basic physical principles. The
advantage of using a priori defined directions of effect is that a
model could be applied to other study areas and also limits risk o

ผลลัพธ์ (ไทย) 1:

และความซับซ้อนของพื้นที่การศึกษา ความสมบูรณ์ และคุณภาพของตัวแปร predictor และคุณภาพของการเข้ารหัสทางภูมิศาสตร์ พบการเปลี่ยนแปลงในความเข้มข้นที่วัดได้พบทั้ง NO2 และ NOx ในทั้งหมดพื้นที่ R2 ล่างบนเฉลี่ยในภาคใต้ของยุโรปอาจจะเป็นเพราะใด ๆ ของปัจจัยเหล่านี้ ยกเว้นความเข้มข้นของความแปรปรวน เพิ่มเติมวิเคราะห์พบว่า LUR โมเดลกับข้อมูลความเข้มจราจรท้องถิ่นมีค่า R2 ที่เฉลี่ย 10% สูงกว่ารุ่นโดยไม่มีข้อมูลความเข้มจราจรท้องถิ่น ในหลายของใต้พื้นที่ยุโรปศึกษา ข้อมูลการจราจรความเข้มได้หายไป หรือมีขนาดที่จำกัดเท่านั้น อาจจะได้เพิ่มเติมโครงสร้างของเมืองทางใต้ ในความเข้มข้นสูงในแคนยอนเหมือนถนนที่ มีความเข้มการจราจรปานกลางมีส่วนR2 ล่างเป็นพื้นที่ไม่มีข้อมูลบนถนนการกำหนดค่าพร้อมใช้งานในพื้นที่ศึกษา 36 รุ่นที่แตกต่างในตัวแปรที่รวมอยู่ในรูปแบบ หรือขนาดของบัฟเฟอร์ หรือประเภทของถนน นี้ผลจากการตัดสินใจเพื่อประเมินรูปแบบการคาดเดาที่ดีที่สุดสำหรับแต่ละพื้นที่ศึกษาแต่ละ มีความสำคัญอย่างไรก็ตามยังความคล้ายคลึงกันระหว่างรุ่น รูปที่ 3 แสดงให้เห็นว่าการรับส่งข้อมูลที่ตัวแปรถูกบ่อยขึ้นรวมกว่าตัวแปร predictor พื้นหลังในรุ่น NO2 LUR ทุกรุ่นประกอบด้วยตัวแปรการจราจรการจราจรความเข้มข้นของบัฟเฟอร์มีขนาดเล็กกว่า 100 เมตรได้พบมากที่สุดตัวแปรของการจราจร ทุกรุ่นประกอบด้วยตัวแปรการจราจรอธิบายการเปลี่ยนแปลงขนาดเล็ก สอดคล้องกับการศึกษาที่แสดงให้เห็นว่าที่ความเข้มข้นของ NO2 มีมีการลดขนาดใหญ่ใน 100e200m แรกใกล้ถนนการจราจรสูงความรุนแรง (Rijnders et al. 2001 Gilbert et al.,2003) . นอกจากนี้ หลายรูปแบบรวมตัวแปรของการจราจรด้วยการ1000 m บัฟเฟอร์ เช่นการโหลดรวมการจราจร บนถนนทั้งหมด หรือหลักถนนหรือความยาวของถนนทั้งหมด การแสดงขนาดใหญ่มีอิทธิพลเช่นคิดเป็นพื้นที่ขนาดใหญ่การจราจรหนาแน่น (Su et al. 2009) ประชากร /ความหนาแน่นอยู่ได้ทั่วไปตัวแปรอื่น สอดคล้องกันพร้อมเอกสารที่เกี่ยวข้องกับความหลากหลายความแตกต่าง urbaneruralแหล่งรวมทั้งการจราจรและความร้อนภายในบ้าน (Brauer et al. 2003)แม้ว่าอุตสาหกรรมจะเป็นแหล่งสำคัญที่ปล่อยของ NO2 ไม่กี่อุตสาหกรรมแปรรูปที่อยู่ นี่คือส่วนใหญ่เป็นผลมาจากการไม่ใช่ความจำเพาะของตัวแปรอุตสาหกรรม CORINE ซึ่งไม่แยกแยะชนิดของอุตสาหกรรมและการเลือกการตรวจสอบที่ตั้งเปรียบเทียบค่าสัมประสิทธิ์การถดถอยของคล้ายกันโดยตรงตัวแปร predictor LUR รุ่นของพื้นที่แตกต่างกันเป็นเรื่องยากเป็นค่าสัมประสิทธิ์ขึ้นอยู่กับการทำนายอื่น ๆ รวม นอกจากนี้ข้อมูล predictor GIS สามารถยังแตกต่างกันระหว่างพื้นที่ที่ศึกษามีขอแสดงความนับถือให้ถูกต้องและครบถ้วน ตัวอย่างเช่น CORINE ข้อมูลมีข้อมูลมากมายของยุโรป แต่อิงข้อมูลชาติ เพื่อให้มีความแตกต่างระหว่างประเทศ4.2. การสร้างแบบจำลองประสบการณ์เนื่องจากภายในโครงการหนี LUR รุ่นได้พัฒนาในหลายพื้นที่โดยใช้วิธีการมาตรฐานบทเรียนต่าง ๆ ได้รับการเรียนรู้ เราใช้เป็นมาตรฐาน และขั้นตอนการเลือกไซต์ทั่วไปในทุกพื้นที่ศึกษามุ่งที่การแสดงการเปลี่ยนแปลงเชิงพื้นที่คาดของมลพิษทางอากาศในการรวมงานศึกษา จงใจผ่านไซต์ถนนแทน(Cyrys et al. 2012) ถ้าช่วงเข้มข้นที่วัดได้มีขนาดเล็กแล้ว นี้ complicates การพัฒนาแบบจำลอง LUR ดี มันเป็นดังนั้นสำคัญว่า สถานที่ของการตรวจสอบเว็บไซต์แสดงถึงความหลากหลายขนาดใหญ่ของแหล่งมลพิษทางอากาศความแปรปรวนความเข้มการจราจร ความหนาแน่นประชากร อุตสาหกรรม ฯลฯมีความสำคัญรวมทั้งช่วงของแต่ละลักษณะเมื่อเลือกเว็บไซต์ และมีเพียงถนนคึกคักที่สุดสำหรับตัวอย่าง เนื่องจากนี้ในบางครั้งแนะนำทรงอิทธิพลการสังเกตในระหว่างการพัฒนารูปแบบ ตัวแปรทำนายกับการรูปแบบขนาดเล็ก (เช่นหลายค่าศูนย์) นอกจากนี้ยังพบว่ามีปัญหาจุดมุ่งหมายคือการ กำหนดมาตรฐานการพัฒนาแบบจำลองในการศึกษาทั้งหมดพื้นที่ มันเป็นอย่างไรก็ตามไม่ได้เนื่องจากความแตกต่างในความพร้อมการกำหนดมาตรฐานตัวแปร predictor ใช้ในทุกพื้นที่ นี้แสดงให้เห็นจำเป็นต้องเปิดเผยข้อมูล GIS ทั่วยุโรป และมีมาตรฐาน EU ทั้งสำหรับรวบรวม และมาตรฐานข้อมูลเหล่านี้ตัวแปร predictor เซ็นทรัลมีพื้นที่เกือบทั้งหมด แต่ทำนายท้องถิ่นแตกต่างต่อพื้นที่ศึกษา รูปแบบมักจะรวมอยู่ในส่วนผสมของตัวแปร predictor กลาง และท้องถิ่นมีวิธีมาตรฐานสากลสำหรับการพัฒนา LURรุ่น ภายในโครงการหนี เราไม่ได้ใช้การอัตโนมัติเลือกตัวแปรแต่ใช้วิธีการดูแลส่งต่อ stepwiseขั้นตอนนี้ กระบวนการนิรนัยรวมกำหนดตัวแปร predictorและแรกสุดกำหนดทิศทางของผลการทำนายทั้งหมดตัวแปรซึ่งตามหลักการพื้นฐานทางกายภาพ การประโยชน์ของการนิรนัยใช้กำหนดทิศทางของผลกระทบมีรุ่นสามารถใช้กับพื้นที่อื่น ๆ การศึกษา และยัง จำกัดความเสี่ยง o

ผลลัพธ์ (ไทย) 2:

และความซับซ้อนของพื้นที่ศึกษา, ความสมบูรณ์และคุณภาพของ
ตัวแปรและคุณภาพของการเขียนโปรแกรมทางภูมิศาสตร์ การเปลี่ยนแปลงอย่างมีนัยสำคัญ
ในความเข้มข้นที่วัดก็พบว่าสำหรับทั้ง NO2 NOx และในทุก
พื้นที่ บนต่ำกว่าค่าเฉลี่ย R2 ในภาคใต้ของยุโรปอาจเป็นเพราะ
ปัจจัยเหล่านี้ยกเว้นความเข้มข้นของความแปรปรวน เพิ่มเติม
การวิเคราะห์แสดงให้เห็นว่ารุ่น LUR กับข้อมูลการจราจรหนาแน่นในท้องถิ่น
มีค่า R2 ซึ่งโดยเฉลี่ย 10% สูงกว่ารุ่น
ที่ไม่มีข้อมูลความเข้มการจราจรในพื้นที่ ในหลายเฉียงใต้
ศึกษาในพื้นที่ยุโรป, ข้อมูลการจราจรหนาแน่นได้หายไปหรือ
ที่มีอยู่ในระดับที่ จำกัด เท่านั้น น่าจะเป็นขนาดกะทัดรัดมากขึ้น
โครงสร้างของเมืองในภาคใต้ที่เกิดขึ้นในความเข้มข้นสูงใน
ถนนแคนยอนเหมือนที่มีการจราจรหนาแน่นปานกลางได้มีส่วนร่วม
ในการที่ต่ำกว่า R2 เป็นพื้นที่ที่ไม่ได้มีข้อมูลเกี่ยวกับการกำหนดค่าที่
สามารถใช้ได้.
รุ่นในพื้นที่ศึกษา 36 แตกต่างกันในตัวแปร ที่ถูก
รวมอยู่ในรูปแบบและ / หรือขนาดของบัฟเฟอร์หรือประเภทของถนน นี้
เป็นผลมาจากการตัดสินใจที่จะประเมินการทำนายรูปแบบที่ดีที่สุดสำหรับ
พื้นที่ศึกษาแต่ละ มี แต่ยังมีความสำคัญ
ความคล้ายคลึงกันระหว่างรูปแบบ มะเดื่อ. 3 แสดงให้เห็นว่าตัวแปรการจราจร
มากขึ้นมักจะถูกรวมกว่าตัวแปรทำนายพื้นหลัง
ในรุ่น NO2 LUR ทุกรุ่นที่มีการจราจรตัวแปร.
การจราจรหนาแน่นของบัฟเฟอร์ขนาดเล็กกว่า 100 เมตรเป็นที่พบมากที่สุด
ตัวแปรการจราจร ทุกรุ่นที่มีตัวแปรจราจร
อธิบายรูปแบบขนาดเล็กอยู่ในแนวเดียวกันกับการศึกษาที่แสดงให้เห็น
ว่ามีความเข้มข้นของ NO2 มีการลดลงของขนาดใหญ่ใน 100e200m แรก
ที่อยู่ใกล้กับถนนการจราจรหนาแน่นสูง (Rijnders et al, 2001;.. กิลเบิร์ตอัล,
2003) นอกจากนี้ในหลายรูปแบบรวมถึงตัวแปรจราจรกับ
M บัฟเฟอร์ 1000 เช่นปริมาณการเข้าชมทั้งหมดบนถนนหรือที่สำคัญ
ถนนหรือความยาวของถนนทุกสายที่ระบุขนาดใหญ่ของอิทธิพล
คือตัวแทนของความหนาแน่นของการจราจรพื้นที่ขนาดใหญ่ (ซูเอต al., 2009) ประชากร /
เป็นความหนาแน่นอยู่อีกตัวแปรร่วมสอดคล้อง
กับความแตกต่าง urbanerural ดีเอกสารที่เกี่ยวข้องกับความหลากหลาย
ของแหล่งที่มารวมถึงการจราจรและความร้อนในบ้าน (Brauer et al., 2003).
แม้ว่าอุตสาหกรรมเป็นแหล่งปล่อยก๊าซเรือนกระจกที่สำคัญในไม่กี่ NO2
รุ่นที่มีตัวแปรอุตสาหกรรม . นี้เป็นส่วนใหญ่ผลมาจากการ
ที่ไม่จำเพาะของตัวแปรอุตสาหกรรม Corine ซึ่งไม่
แยกแยะประเภทของอุตสาหกรรมและการเลือกของการตรวจสอบ
สถานที่.
เปรียบเทียบโดยตรงจากค่าสัมประสิทธิ์การถดถอยของที่คล้ายกัน
ตัวแปรในรูปแบบ LUR พื้นที่ที่แตกต่างกันเป็นเรื่องยากที่
ค่าสัมประสิทธิ์ขึ้นอยู่กับการพยากรณ์รวมอื่น ๆ นอกจากนี้
ข้อมูล GIS ทำนายยังสามารถแตกต่างกันระหว่างพื้นที่ศึกษามี
เรื่องที่เกี่ยวกับความถูกต้องและครบถ้วน ตัวอย่างเช่นข้อมูล Corine
เป็นข้อมูลกว้างยุโรป แต่อยู่บนพื้นฐานของข้อมูลแห่งชาติเพื่อให้สามารถมี
ความแตกต่างระหว่างประเทศ.
4.2 การสร้างแบบจำลองประสบการณ์
เพราะภายในโครงการ ESCAPE รุ่น LUR ได้รับการ
พัฒนาในหลายพื้นที่เพื่อใช้วิธีการที่เป็นมาตรฐาน
บทเรียนหลายคนได้รับการเรียนรู้ เราใช้มาตรฐานและ
ขั้นตอนการเลือกเว็บไซต์ที่พบบ่อยในทุกพื้นที่ศึกษาเป้าหมายในการเป็นตัวแทนของ
การเปลี่ยนแปลงเชิงพื้นที่ที่คาดว่ามลพิษทางอากาศใน
ศึกษาการศึกษารวมกว่าจงใจที่เป็นตัวแทนของเว็บไซต์สถาน
(Cyrys et al., 2012) ถ้าช่วงความเข้มข้นในวัดที่มีขนาดเล็ก
แล้วนี้มีความซับซ้อนการพัฒนารูปแบบ LUR ดี มันเป็น
สิ่งสำคัญดังนั้นว่าสถานที่ของเว็บไซต์การตรวจสอบที่
เป็นตัวแทนของความหลากหลายขนาดใหญ่ของแหล่งที่มีศักยภาพของมลพิษทางอากาศ
แปรปรวนเช่นความเข้มการจราจรหนาแน่นของประชากรอุตสาหกรรมและอื่น ๆ
นอกจากนี้ยังเป็นสิ่งสำคัญที่จะรวมทั้งช่วงของแต่ละลักษณะ
เมื่อมีการเลือกเว็บไซต์ และไม่ได้มีเฉพาะถนนที่คึกคักที่สุดสำหรับ
ตัวอย่างเช่นนี้เพราะบางครั้งการแนะนำให้รู้จักผู้มีอิทธิพล
สังเกตในระหว่างการพัฒนารูปแบบ ตัวแปรที่มี
การเปลี่ยนแปลงเล็ก ๆ (เช่นหลายค่าเป็นศูนย์) นอกจากนี้ยังพบว่ามี
ปัญหา.
มีจุดมุ่งหมายที่จะสร้างมาตรฐานการพัฒนารูปแบบในการศึกษาทุก
พื้นที่ อย่างไรก็ตามมันเป็นไปไม่ได้เนื่องจากความแตกต่างในความพร้อม
ที่จะสร้างมาตรฐานตัวแปรทำนายที่นำมาใช้ในทุกพื้นที่ นี้แสดงให้เห็น
ถึงความจำเป็นที่จะทำให้ข้อมูล GIS ยุโรปทั้งที่มีอยู่และมี
มาตรฐานของสหภาพยุโรปกว้างสำหรับการเก็บรวบรวมและมาตรฐานข้อมูลเหล่านี้.
ตัวแปรกลางที่มีอยู่เกือบทุกพื้นที่ แต่
ทำนายท้องถิ่นแตกต่างกันต่อพื้นที่การศึกษา รุ่นมักจะรวมถึง
ส่วนผสมของตัวแปรกลางและท้องถิ่น.
ไม่มีวิธีการมาตรฐานสากลสำหรับการพัฒนา LUR เป็น
รุ่น ภายในโครงการ ESCAPE ที่เราไม่ได้ใช้โดยอัตโนมัติ
วิธีการเลือกตัวแปร แต่ใช้ภายใต้การดูแลขั้นตอนข้างหน้า
ขั้นตอน ขั้นตอนรวมเบื้องต้นกำหนดตัวแปร
และเบื้องต้นกำหนดทิศทางของการมีผลบังคับใช้สำหรับทำนายทุก
ตัวแปรซึ่งอยู่บนพื้นฐานของหลักการพื้นฐานทางกายภาพ
ประโยชน์ของการใช้เบื้องต้นทิศทางที่กำหนดของผลที่ได้คือว่า
รูปแบบสามารถนำไปใช้พื้นที่การศึกษาอื่น ๆ และยัง o เพดานความเสี่ยง

ผลลัพธ์ (ไทย) 3:

และความซับซ้อนของพื้นที่ศึกษามีความสมบูรณ์และมีคุณภาพของตัวแปรและคุณภาพของการเข้ารหัส Geo การเปลี่ยนแปลงอย่างมากในความเข้มข้นวัด NO2 พบทั้งสองและในซีรั่มพื้นที่ โดยเฉลี่ยต่ำกว่า R2 ในภาคใต้ของยุโรป อาจจะเนื่องจากของปัจจัยเหล่านี้ นอกจากความเข้มข้นของความแปรปรวน เพิ่มเติมการวิเคราะห์พบว่าโมเดลเลอร์กับข้อมูลความเข้มการจราจรท้องถิ่นมี 2 ค่า ซึ่งโดยเฉลี่ย 10% สูงกว่ารุ่นไม่มีข้อมูลความเข้มการจราจรท้องถิ่น หลายของใต้ด้านยุโรปศึกษาข้อมูลความเข้มจราจรหายไปหรือใช้ได้ในระดับที่ จำกัด เท่านั้น อาจจะเพิ่มขนาดกะทัดรัดโครงสร้างของเมืองในภาคใต้ ส่งผลให้ความเข้มข้นสูงในแคนยอนเหมือนถนนที่มีความเข้มปานกลาง ได้สนับสนุนการจราจรกับ R2 ลดเป็นพื้นที่มีข้อมูลการตั้งค่าบนถนนพร้อมใช้งานรุ่นในพื้นที่ 36 ศึกษาในตัวแปรที่แตกต่างกันรวมอยู่ในรุ่นและ / หรือบัฟเฟอร์ขนาดหรือชนิดของถนน นี้ผลจากการตัดสินใจที่จะประมาณการที่ดีที่สุดแบบจำลองการทำนายแต่ละพื้นที่ศึกษา มี แต่ยังสำคัญความคล้ายคลึงกันระหว่างรุ่น รูปที่ 3 แสดงให้เห็นว่าตัวแปรการจราจรเป็นบ่อยรวมกว่าพื้นหลังทำนายตัวแปรในโมเดลเลอร์ NO2 . ทุกรุ่นมีการจราจรที่ตัวแปรเข้มจราจรของบัฟเฟอร์มีขนาดเล็กกว่า 100 เมตรเป็นทั่วไปมากที่สุดตัวแปรการจราจร ทุกรุ่นมีการจราจรที่ตัวแปรอธิบายการเปลี่ยนแปลงขนาดเล็กในบรรทัดที่มีการศึกษาที่แสดงที่ความเข้มข้นของ NO2 ได้ลดลงมากใน 100e200m ครั้งแรกใกล้ถนนเข้มจราจรสูง ( rijnders et al . , 2001 ; Gilbert et al . ,2003 ) นอกจากนี้ หลายรุ่น ประกอบด้วยตัวแปรที่มีการจราจร1 , 000 เมตร กันชน เช่น การจราจร บนถนน หรือโหลดทั้งหมด .ถนนหรือความยาวของถนนทั้งหมด ซึ่งระบุขนาดใหญ่ของอิทธิพลเช่นตัวแทนขนาดใหญ่พื้นที่การจราจรหนาแน่น ( ซู et al . , 2009 ) ประชากร /ความหนาแน่นที่อยู่คือตัวแปรทั่วไปอื่น ที่สอดคล้องกันกับบันทึก urbanerural ความแตกต่างที่เกี่ยวข้องกับความหลากหลายแหล่งรวมข้อมูล และบ้านร้อน ( บราเออร์ et al . , 2003 )แม้ว่าอุตสาหกรรม เป็นแหล่งกำเนิดมลพิษที่สำคัญของ NO2 น้อยแบบจำลองที่มีตัวแปรอุตสาหกรรม ซึ่งส่วนใหญ่เป็นผลจากไม่เฉพาะเจาะจงของอุตสาหกรรมคอรินตัวแปรที่ไม่ได้แยกแยะประเภทของอุตสาหกรรมและการตรวจสอบสถานที่การเปรียบเทียบโดยตรงของค่านิยม การถดถอยของคล้ายตัวแปรตัวแปรในโมเดลเลอร์ของพื้นที่ต่าง ๆเป็นเรื่องยาก เช่นขึ้นอยู่กับอื่น ๆรวมค่าพยากรณ์ นอกจากนี้ทำนายข้อมูล GIS ยังสามารถแตกต่างกันระหว่างพื้นที่การศึกษาด้วยเกี่ยวกับความถูกต้องและครบถ้วน ตัวอย่างเช่น คอข้อมูลมีข้อมูลที่หลากหลายในยุโรป แต่จากข้อมูลแห่งชาติ เพื่อให้สามารถมีความแตกต่างระหว่างประเทศ4.2 . แบบประสบการณ์เพราะภายในโครงการหนีเลอร์รุ่นได้รับพัฒนาในหลายพื้นที่ด้วยวิธีมาตรฐานบทเรียนต่าง ๆ ได้เรียนรู้ เราใช้ที่เป็นมาตรฐาน และโดยทั่วไปเว็บไซต์กระบวนการคัดเลือกในพื้นที่เป้าหมายในการศึกษาทั้งหมดแทนคาดว่ารูปแบบของมลพิษอากาศในพื้นที่รวมรุ่นที่เข้าศึกษา ตั้งใจผ่านเว็บไซต์ถนนแทน( cyrys et al . , 2012 ) ถ้าอยู่ในช่วงความเข้มข้นที่วัดได้มีขนาดเล็กแล้วนี้มีความซับซ้อนการพัฒนาโมเดลเลอร์ดี มันคือดังนั้นสิ่งสำคัญที่สถานที่ของการตรวจสอบเว็บไซต์เป็นตัวแทนของความหลากหลายขนาดใหญ่ของแหล่งที่มีศักยภาพของมลพิษทางอากาศความแปรปรวน เช่น ความเข้ม การจราจรหนาแน่น อุตสาหกรรม ประชากร ฯลฯยังเป็นสิ่งสำคัญที่จะรวมช่วงทั้งหมดของแต่ละลักษณะเมื่อเลือกเว็บไซต์ และไม่ได้มีเฉพาะอันดับถนนสำหรับตัวอย่าง เพราะบางครั้งแนะนำมีอิทธิพลการสังเกตในระหว่างการพัฒนาแบบ ทำนายตัวแปรด้วยการเปลี่ยนแปลงขนาดเล็ก ( เช่นหลายศูนย์ค่า ) ก็พบว่ามีปัญหาจุดมุ่งหมายคือการสร้างมาตรฐานการพัฒนาแบบจำลองในการศึกษาทั้งหมดพื้นที่ แต่มันเป็นไม่ได้เนื่องจากความแตกต่างในความพร้อมมาตรฐานที่ใช้ทำนายตัวแปรในทุกพื้นที่ นี้แสดงให้เห็นถึงต้องให้ ข้อมูล GIS ที่กว้างใช้ได้ และยุโรปสหภาพยุโรปกว้างมาตรฐานสำหรับการเก็บรวบรวมและ standardizing ข้อมูลเหล่านี้ตัวแปรส่วนกลางที่มีอยู่ในเกือบทุกพื้นที่ แต่ตัวแปรท้องถิ่นมีต่อพื้นที่ศึกษา รุ่นมักจะประกอบด้วยส่วนผสมของส่วนกลางและท้องถิ่นตัวแปร .ไม่มีสากลวิธีการมาตรฐานสำหรับการพัฒนาเลอร์รุ่น ภายในโครงการหนีเราไม่ได้ใช้แบบอัตโนมัติตัวแปรการเลือกวิธี แต่ใช้แบบไปข้างหน้า ?ขั้นตอน ขั้นตอนอยู่ระหว่างกำหนดตัวแปรและกำหนดทิศทางของผลระหว่างทุกตัวตัวแปรที่อยู่บนพื้นฐานของหลักการทางกายภาพพื้นฐาน ที่ประโยชน์ของการกำหนดเส้นทางระหว่างผลนั่นแบบสามารถใช้กับบริเวณอื่นๆ และยังเสี่ยงโอจำกัด