Strategies to Enhance the Interpretation of Single-Particle Ambient Aerosol Data
Notice bibliographique
Résumé
New instruments are beginning to reveal the chemical complexity of atmospheric aerosol particles. Exploitation of the plethora of information being made accessible through aerosol particle spectrometry and other techniques requires new strategies for data interpretation. This paper demonstrates and evaluates several analysis methods used to exploit this single-particle high-time-resolution data. In the first part of this study, Standard Reference Material (SRM) particulate matter samples were analyzed by an Aerosol Time-of-Flight Mass Spectrometer (ATOFMS) in order to evaluate the use of a modified, logarithm based, method of clustering mass spectra using the Adaptive Resonance Theory (ART-2a) algorithm. In the second part of this study, data obtained from the ATOFMS during the four seasons of 2007 were interpreted using a variety of approaches so as to elucidate the nature and sources of particles influencing the great lakes region of North America. This dataset is believed to represent the longest time-span of single-particle data ever analyzed in a study of this nature. These mass spectra were clustered into 21 different particle types using the supervised log-transformed ART-2a algorithm. Both long-term seasonal trends and high-time-resolution temporal patterns of particle type concentrations were examined. Source identification was supported by comparison with known source samples. Potential source contribution functions were used to identify source regions. This paper describes and evaluates these approaches to data interpretation using examples from the ambient air study to illustrate the methodology and highlight the findings. Furthermore, these ambient examples demonstrate how the application of these strategies enhances the interpretation of single-particle ambient aerosol data. Copyright 2012 American Association for Aerosol Research
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».