Monthly Global Estimates of Fine Particulate Matter and Their Uncertainty
Notice bibliographique
Résumé
Annual global satellite-based estimates of fine particulate matter (PM 2.5 ) are widely relied upon for air-quality assessment.Here, we develop and apply a methodology for monthly estimates and uncertainties during the period 1998-2019, which combines satellite retrievals of aerosol optical depth, chemical transport modeling, and ground-based measurements to allow for the characterization of seasonal and episodic exposure, as well as aid air-quality management.Many densely populated regions have their highest PM 2.5 concentrations in winter, exceeding summertime concentrations by factors of 1.5-3.0 over Eastern Europe, Western Europe, South Asia, and East Asia.In South Asia, in January, regional population-weighted monthly mean PM 2.5 concentrations exceed 90 μg/m 3 , with local concentrations of approximately 200 μg/m 3 for parts of the Indo-Gangetic Plain.In East Asia, monthly mean PM 2.5 concentrations have decreased over the period 2010-2019 by 1.6-2.6 μg/m 3 /year, with decreases beginning 2-3 years earlier in summer than in winter.We find evidence that global-monitored locations tend to be in cleaner regions than global mean PM 2.5 exposure, with large measurement gaps in the Global South.Uncertainty estimates exhibit regional consistency with observed differences between ground-based and satellitederived PM 2.5 .The evaluation of uncertainty for agglomerated values indicates that hybrid PM 2.5 estimates provide precise regionalscale representation, with residual uncertainty inversely proportional to the sample size.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».