MétaCan
Menu
Retour à la cohorte
Enregistrement W2945948495 · doi:10.1080/10962247.2019.1607689

Advances in science and applications of air pollution monitoring: A case study on oil sands monitoring targeting ecosystem protection

2019· review· en· W2945948495 sur OpenAlexafffund
Jeffrey R. Brook, Stewart G. Cober, M. Freemark, Tom Harner, Shao‐Meng Li, John Liggio, Paul A. Makar, Bruce D. Pauli

Notice bibliographique

RevueJournal of the Air & Waste Management Association · 2019
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensEnvironment and Climate Change CanadaPublic Health OntarioUniversity of Toronto
Organismes subventionnairesEnvironment and Climate Change Canada
Mots-clésEnvironmental scienceEnvironmental monitoringAir monitoringOil sandsAir pollutionEcosystemOil pollutionPollutionEnvironmental protectionEnvironmental engineeringEnvironmental resource managementEnvironmental planningEcologyGeography

Résumé

récupéré en direct d'OpenAlex

: Quantification of atmospheric emissions for multiple pollutants needs to be improved, and reporting mechanisms and standards could be adapted to facilitate such improvements, including periodic validation, particularly where uncertainties are the largest. Understanding of baseline conditions in the air, water and biota has improved significantly; ongoing enhanced monitoring, building on this progress, will help improve ecosystem protection measures in the oil sands region. Sentinel species have been identified that could be used to identify and characterize potential impacts of wildlife exposure, both locally and regionally. Polycyclic aromatic compounds are identified as having an impact on aquatic and terrestrial wildlife at current concentration levels although the significance of these impacts and attribution to emissions from oil sands development requires further assessment. Given the improvement in high resolution air quality prediction models, these should be a valuable tool to future environmental assessments and cumulative environment impact assessments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,888
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,266
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of the Air & Waste Management AssociationMême sujetAtmospheric and Environmental Gas DynamicsTravaux en français237 207