Monitoring Spatial and Temporal Variability of Air Quality Using Satellite Observation Data: a Case Study of MODIS-Observed Aerosols in Southern Ontario, Canada
Notice bibliographique
Résumé
Air Quality 66MODIS-derived AOD is subject to weather condition and has lower accuracy and lower temporal frequency (once a day) than the sunphotometer measurements.A number of studies have been conducted to address the spatial and temporal variability of aerosols.Early research mainly focused on a group of cities that hold an Aerosol Robotic Network (AERONET) site (equipped with a sunphotometer).For instance, Masmoudi et al. (2003) found higher spatial variability of AOD and AE for the central African sites than the Mediterranean ones.The central African sites showed a lower variation with the smallest values of their measured AE due to the presence of very large dust particles.Remotelysensed data have also been used in the analysis of aerosol loading distribution in recent years.By mapping AOD over Europe at a continental scale, Koelemeijer et al. (2006) clearly identified Northern Italy, Southern Poland, and the Belgium/Netherlands/Ruhr area as major aerosol source regions.Frank et al. (2007) used the data from MISR for an inter-annual analysis of AOD variation over the Mojave desert of southern California.The authors suggested that AOD varies significantly across the desert and therefore the AERONET site at Rogers Dry Lake (within the desert) cannot be used to represent the aerosol conditions over the entire study area.However, the relationship between aerosol distribution and land use structure/topography has not been examined in previous studies.This chapter reviews the algorithms used to extract AOD from MODIS data and presents a case study of using MODIS AOD data to investigate the spatial-temporal distribution patterns of aerosols in southern Ontario, Canada.The relationship between land-use structure and AOD has been analyzed through a correlation analysis and discuss the impacts of topography on the aerosol distribution. How to referenceIn order to correctly reference this scholarly work, feel free to copy and paste the following: DongMei Chen and Jie Tian (2010).Monitoring Spatial and Temporal Variability of Air Quality Using Satellite Observation Data: a Case Study of MODIS-Observed Aerosols in Southern Ontario, Canada, Air Quality, Ashok Kumar (Ed.),
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».