Surface data assimilation of chemical compounds over North America and its impact on air quality and Air Quality Health Index (AQHI) forecasts
Notice bibliographique
Résumé
The aim of this paper is to analyze the impact of initializing GEM-MACH, Environment and Climate Change Canada’s air quality (AQ) forecast model, with multi-pollutant surface objective analyses (MPSOA). A series of 48-h air quality forecasts were launched for July 2012 (summer case) and January 2014 (winter case) for ozone, NO2, and PM2.5. In this setup, the GEM-MACH model (version 1.3.8.2) was initialized with surface analysis increments (from MPSOA) which were projected in the vertical by applying an appropriate fractional weighting in order to obtain 3D analyses in the lower troposphere. Here, we have used a methodology based on sensitivity tests to obtain the optimum vertical correlation length (VCL). Overall, results showed that for PM2.5, more specifically for sulfate and crustal materials, AQ forecasts initialized with MPSOA showed a very significant improvement compared to forecasts without data assimilation, which extended beyond 48 h in all seasons. Initializing the model with ozone analyses also had a significant impact but on a shorter time scale than that of PM2.5. Finally, assimilation of NO2 was found to have much less impact than longer-lived species. The impact of simultaneous assimilation of the three pollutants (PM2.5, ozone, and NO2) was also examined and found very significant in reducing the total error of the Air Quality Health Index (AQHI) over 48 h and beyond. We suggest that the period over which there is a significant improvement due to assimilation could be an adequate measure of the pollutant atmospheric lifetime.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».