High-Resolution Satellite-Derived PM<sub>2.5</sub> from Optimal Estimation and Geographically Weighted Regression over North America
Notice bibliographique
Résumé
We used a geographically weighted regression (GWR) statistical model to represent bias of fine particulate matter concentrations (PM2.5) derived from a 1 km optimal estimate (OE) aerosol optical depth (AOD) satellite retrieval that used AOD-to-PM2.5 relationships from a chemical transport model (CTM) for 2004-2008 over North America. This hybrid approach combined the geophysical understanding and global applicability intrinsic to the CTM relationships with the knowledge provided by observational constraints. Adjusting the OE PM2.5 estimates according to the GWR-predicted bias yielded significant improvement compared with unadjusted long-term mean values (R(2) = 0.82 versus R(2) = 0.62), even when a large fraction (70%) of sites were withheld for cross-validation (R(2) = 0.78) and developed seasonal skill (R(2) = 0.62-0.89). The effect of individual GWR predictors on OE PM2.5 estimates additionally provided insight into the sources of uncertainty for global satellite-derived PM2.5 estimates. These predictor-driven effects imply that local variability in surface elevation and urban emissions are important sources of uncertainty in geophysical calculations of the AOD-to-PM2.5 relationship used in satellite-derived PM2.5 estimates over North America, and potentially worldwide.
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 | 0,000 | 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 ».