Deep Learning to Evaluate US NO <sub>x</sub> Emissions Using Surface Ozone Predictions
Notice bibliographique
Résumé
Abstract Emissions of nitrogen oxides (NO x = NO + NO 2 ) in the United States have declined significantly during the past three decades. However, satellite observations since 2009 indicate total column NO 2 is no longer declining even as bottom‐up inventories suggest continued decline in emissions. Multiple explanations have been proposed for this discrepancy including (a) the increasing relative importance of nonurban NO x to total column NO 2 , (b) differences between background and urban NO x lifetimes, and (c) that the actual NO x emissions are declining more slowly after 2009. Here, we use a deep learning model trained by NO x emissions and surface observations of ozone to assess consistency between the reported NO x trends between 2005 and 2014 and observations of surface ozone. We find that the satellite‐derived trends best reproduce ozone in low NO x emission (background) regions. The 2010–2014 trend from older satellite‐derived emission estimates produced at low spatial resolution results in the largest bias in surface ozone in regions with high NO x emissions, reflecting the blending of urban and background NO x in these low‐resolution top‐down analyses. In contrast, the trend from higher resolution satellite‐based estimates, which are more capable of capturing the urban emission signature, is in better agreement with ozone in high NO x emission regions, and is consistent with the trend based on surface observations of NO 2 . Our results confirm that the satellite‐derived trends reflect anthropogenic and background influences.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».