An uncertainty-based protocol for the setup and measurement of soot–black carbon emissions from gas flares using sky-LOSA
Notice bibliographique
Résumé
Abstract. Gas flaring is an important source of atmospheric soot–black carbon, especially in sensitive Arctic regions. However, emissions have traditionally been challenging to measure and remain poorly characterized, confounding international reporting requirements and adding uncertainty to climate models. The sky-LOSA optical measurement technique has emerged as a powerful means to quantify flare black carbon emissions in the field, but broader adoption has been hampered by the complexity of its deployment, where decisions during setup in the field can have profound, non-linear impacts on achievable measurement uncertainties. To address this challenge, this paper presents a prescriptive measurement protocol and associated open-source software tool that simplify acquisition of sky-LOSA data in the field. Leveraging a comprehensive Monte Carlo-based general uncertainty analysis (GUA) to predict measurement uncertainties over the entire breadth of possible measurement conditions, general heuristics are identified to guide a sky-LOSA user toward optimal data collection. These are further extended in the open-source software utility, SetupSkyLOSA, which interprets the GUA results to provide detailed guidance for any specific combination of location, date–time, and flare, plume, and ambient conditions. Finally, a case study of a sky-LOSA measurement at an oil and gas facility in Mexico is used to demonstrate the utility of the software tool, where potentially small regions of optimal instrument setup are easily and quickly identified. It is hoped that this work will help increase the accessibility of the sky-LOSA technique and ultimately the availability of field measurement data for flare black carbon emissions.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».