Code to make spatio-temporal predictions of air pollutant levels and meteorological variables, based on data observed at monitoring and meteorological stations

Abstract

Our objective with this code is to present a hierarchical Bayesian spatiotemporal model that allows us to make spatial and temporal predictions of the levels of air pollutants and meteorological variables, efficiently and with very little computational cost. We specify a hierarchical spatiotemporal model using stochastic partial differential equations (SPDEs) of the integrated Laplace approximation (INLA). Our model allows us to make quite accurate spatial and temporal predictions of short- and long-term exposure to air pollutants and meteorological variables with a relatively low density of monitoring stations and with a much lower computation time. The only requirements of our method are a minimum number of stations distributed throughout the territory where the predictions are to be made and that the spatial and temporal dimensions are independent or separable

El nostre objectiu amb aquest codi és el de presentar un model jeràrquic Bayesià espai-temporal que ens permet fer prediccions espacials i temporals dels nivells de contaminants atmosfèrics i de variables meteorològiques, de manera eficaç i amb molt pocs costos computacionals. Especifiquem un model espai-temporal jeràrquic utilitzant les equacions diferencials parcials estocàstiques (SPDE) de l'aproximació integrada de Laplace (INLA). El nostre model ens permet fer prediccions espacials i temporals bastant precises de l'exposició a curt i llarg termini a contaminants de l'aire i a variables meteorològiques amb una densitat relativament baixa d'estacions de monitorització i amb un temps de càlcul molt inferior. Els únics requisits del nostre mètode són un nombre mínim d'estacions distribuïdes per tot el territori on les prediccions s'han de fer i que les dimensions espacial i temporal siguin independents o separables