Satellite-based Estimation of the Impacts of Summertime Wildfires on Particulate Matter Air Quality in United States
Notice bibliographique
Résumé
Abstract. Frequent and widespread wildfires in North Western United States and Canada has become the new normal during the northern hemisphere summer months, which degrades particulate matter air quality in the United States significantly. Using the mid-visible Multi Angle Implementation of Atmospheric Correction (MAIAC) satellite-derived Aerosol Optical Depth (AOD) with meteorological information from the European Centre for Medium-Range Weather Forecasts (ECMWF) and other ancillary data, we quantify the impact of these fires on fine particulate matter air quality (PM2.5) in the United States. We use a Geographically Weighted Regression method to estimate surface PM2.5 in the United States between low (2011) and high (2018) fire activity years. Our results indicate that smoke aerosols caused significant pollution changes over half of the United States. We estimate that nearly 29 states have increased PM2.5 during the fire active year and 15 of these states have PM2.5 concentrations more than 2 times than that of the inactive year. Furthermore, these fires increased daily mean surface PM2.5 concentrations in Washington and Oregon by 38 to 259 µgm−3 posing significant health risks especially to vulnerable populations. Our results also show that the GWR model can be successfully applied to PM2.5 estimations from wildfires thereby providing useful information for various applications including public health assessment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».