Improving the Accuracy of Daily Satellite-Derived Ground-Level Fine Aerosol Concentration Estimates for North America
Notice bibliographique
Résumé
We improve the accuracy of daily ground-level fine particulate matter concentrations (PM(2.5)) derived from satellite observations (MODIS and MISR) of aerosol optical depth (AOD) and chemical transport model (GEOS-Chem) calculations of the relationship between AOD and PM(2.5). This improvement is achieved by (1) applying climatological ground-based regional bias-correction factors based upon comparison with in situ PM(2.5), and (2) applying spatial smoothing to reduce random uncertainty and extend coverage. Initial daily 1-σ mean uncertainties are reduced across the United States and southern Canada from ± (1 μg/m(3) + 67%) to ± (1 μg/m(3) + 54%) by applying the climatological ground-based regional scaling factors. Spatial interpolation increases the coverage of satellite-derived PM(2.5) estimates without increased uncertainty when in close proximity to direct AOD retrievals. Spatial smoothing further reduces the daily 1-σ uncertainty to ±(1 μg/m(3) + 42%) by limiting the random component of uncertainty. We additionally find similar performance for climatological relationships of AOD to PM(2.5) as compared to day-specific relationships.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».