Evaluation of a Gaussian dispersion transformation technique for tomographic mapping of the concentration field of atmospheric chemicals using multi-path optical remote sensing
Notice bibliographique
Résumé
Horizontal radial plume mapping is a cost-effective optical remote sensing method for sensitive mapping concentration distribution of atmospheric chemicals in real time. However, its sparse sampling poses challenges for reconstruction algorithms. Neither non-smooth nor smooth algorithms can recover the realistic plume shape. A new approach called Gaussian dispersion transformation (GDT) has been proposed. It first reconstructs the emission rates from unknown sources. Then concentrations are calculated through a transformation matrix defined by a Gaussian dispersion model. Smoothness regularization is also applied during the reconstruction. The method was evaluated by using randomly generated maps. It shows significant improvement over a reconstructed plume shape. The nearness shows 72%-117% better than the non-negative least-square (NNLS) algorithm and 15%-26% better than the low third derivative (LTD) algorithm. A controlled-release field experiment of methane was also conducted. The realistic concentration distribution was calculated by using a Lagrangian stochastic dispersion model. The GDT algorithm successfully recovered the realistic plume shape. The nearness shows approximately 16% better than the NNLS and the LTD algorithms. Finally, a sensitivity analysis shows that the wind direction and atmospheric stability are the main parameters that affect the performance of the GDT algorithm.
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 ».