A comparative study of two factor analytic models applied to PAH data from inhalable air particulate collected in an urban-industrial environment
Notice bibliographique
Résumé
Two factor analysis (FA)-based receptor modeling methods were applied to a polycyclic aromatic hydrocarbon (PAH) dataset from extracts of 75 PM(10) air particulate samples collected concurrently at 4 sampling sites proximate to the urban-industrial area in Hamilton, Ontario, Canada. The total PAH concentrations of 48 target compounds ranged from 0.23 to 172 ng m(-3). Principal component analysis (PCA) and positive matrix factorization (PMF) analysis were followed by multilinear regression analyses to identify and quantify PAH source contributions, together with spatial and temporal trends. The correlations between predicted and observed total PAH levels were excellent in both models (R(2) > 0.98). The PCA afforded large negative contributions in a number of samples, so further analysis was abandoned. The PMF analysis showed 3 factors which were identified as gasoline emissions, diesel emissions and coke oven emissions. Contributions of gasoline emissions and diesel emissions factors were surprisingly similar at all 4 sites indicative of a background of vehicle emissions across the city. The PMF coke oven emission factor showed the greatest variability in total loadings, consistent with the large PAH emissions from the steel industries and the large influence of wind direction on PAH concentrations. The highest coke oven contributions were observed at sites closest to the industrial area on days when these sites were downwind of the industries. The PMF coke oven impact factor showed good correlations with two commonly used PAH diagnostic ratios when the ratios were combined into a single ratio. This integrated approach allowed us to categorize >90% of the samples based on the wind direction of the impacting source.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».