A Method to Quantitatively Apportion Pollutants at High Spatial and Temporal Resolution: The Stochastic Lagrangian Apportionment Method (SLAM)
Notice bibliographique
Résumé
We introduce a method to quantify upwind contributions to concentrations of atmospheric pollutants. The Stochastic Lagrangian Apportionment Method (SLAM) carries out the following: (1) account for chemical transformations and depositional losses; (2) incorporate the effects of turbulent dispersion; (3) simulate the locations of the sources with high spatial and temporal resolution; and (4) minimize the impact from numerical diffusion. SLAM accomplishes these four features by using a time-reversed Lagrangian particle dispersion model and then simulating chemical changes forward in time, while tagging and keeping track of different sources. As an example of SLAM's application, we show its use in apportioning sources contributing to ammonia (NH3) and ammonium particulates (p-NH4(+)) at a site in southern Ontario, Canada. Agricultural emissions are seen to dominate contributions to NH3 and p-NH4(+) at the site. The source region of NH3 was significantly smaller than that of p-NH4(+), which covered numerous states of the American Midwest. The source apportionment results from SLAM were compared against those from zeroing-out individual sources ("brute force method"; BFM). The comparisons show SLAM to produce almost identical results as BFM for NH3, but higher concentrations of p-NH4(+), likely due to indirect effects that affect BFM. Finally, uncertainties in the SLAM approach and ways to address such shortcomings by combining SLAM with inverse methods are discussed.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».