Inferring ground-level nitrogen dioxide concentrations at fine spatial resolution applied to the TROPOMI satellite instrument
Notice bibliographique
Résumé
Abstract Satellite-based estimates of ground-level nitrogen dioxide (NO 2 ) concentrations are useful for understanding links between air quality and health. A longstanding question has been why prior satellite-derived surface NO 2 concentrations are biased low with respect to ground-based measurements. In this work we demonstrate that these biases are due to both the coarse resolution of previous satellite NO 2 products and inaccuracies in vertical mixing assumptions used to convert satellite-observed tropospheric columns to surface concentrations. We develop an algorithm that now allows for different mixing assumptions to be used based on observed NO 2 conditions. We then apply this algorithm to observations from the TROPOMI satellite instrument, which has been providing NO 2 column observations at an unprecedented spatial resolution for over a year. This new product achieves estimates of ground-level NO 2 with greater accuracy and higher resolution compared to previous satellite-based estimates from OMI. These comparisons also show that TROPOMI-inferred surface NO 2 concentrations from our updated algorithm have higher correlation and lower bias than those found using TROPOMI and the prior algorithm. TROPOMI-inferred estimates of the population exposed to NO 2 conditions exceeding health standards are at least three times higher than for OMI-inferred estimates. These developments provide an exciting opportunity for air quality monitoring.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».