Machine Learning to Predict Area Fugitive Emission Fluxes of GHGs from Open-Pit Mines
Notice bibliographique
Résumé
Greenhouse gas (GHG) emissions from open-pit mines pose a global climate challenge, which necessitates appropriate quantification to support effective mitigation measures. This study considers the area-fugitive methane advective flux (as a proxy for emission flux) released from a tailings pond and two open-pit mines, denominated “old” and “new”, within a facility in northern Canada. To estimate the emission fluxes of methane from these sources, this research employed near-surface observations and modeling using the weather research and forecasting (WRF) passive tracer dispersion method. Various machine learning (ML) methods were trained and tested on these data for the operational forecasting of emissions. Predicted emission fluxes and meteorological variables from the WRF model were used as training and input datasets for ML algorithms. A series of 10 ML algorithms were evaluated. The four models that generated the most accurate forecasts were selected. These ML models are the multi-layer perception (MLP) artificial neural network, the gradient boosting (GBR), XGBOOST (XGB), and support vector machines (SVM). Overall, the simulations predicted the emission fluxes with R2 (-) values higher than 0.8 (-). Considering the bias (Tonnes h−1), the ML predicted the emission fluxes within 6.3%, 3.3%, and 0.3% of WRF predictions for the old mine, new mine, and the pond, respectively.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».