Comment on acp-2022-251
Notice bibliographique
Résumé
Nitrogen dioxide (NO2) column density measurements from satellites have been widely used in constraining emissions of nitrogen oxides (NOx = NO + NO2). However, the utility of these measurements is impacted by reduced observational coverage due to cloud cover and by their reduced sensitivity toward the surface. Combining the information from satellites with surface observations of NO2 will provide greater constraints on NOx emission estimates. We have developed a deep learning (DL) model to integrate satellite data and in situ observations of surface NO2 to estimate NOx emissions in China. A prior information for the DL model was obtained from satellite-derived emissions from the Tropospheric Chemistry Reanalysis (TCR-2). A two-stage training strategy was used to integrate in situ measurements from the China Ministry of Ecology and Environment (MEE) observation network with the TCR-2 data. The DL model is trained from 2005 to 2018, and is evaluated for 2019 and 2020. The DL model estimated a source of 19.4 Tg NO for total Chinese NOx emissions in 2019, which is consistent with the TCR-2 estimate of 18.5±3.9 Tg NO and the 20.9 Tg NO suggested by the Multi-resolution Emission Inventory for China (MEIC). Combining the MEE data with TCR-2, the DL model suggested higher NOx emissions in some of the less densely populated provinces, such as Shaanxi and Sichuan, where the MEE data indicated higher surface NO2 concentrations than TCR-2. The DL model also suggested a faster recovery of NOx emissions than TCR-2 after the Chinese New Year (CNY) holiday in 2019, with a recovery time scale that is consistent with Baidu “Qianxi” mobility data. In 2020, the DL-based analysis estimated about a 30 % reduction in NOx emissions in eastern China during the COVID-19 lockdown period, relative to pre-lockdown levels. In particular, the maximum emission reductions were 42 % and 30 % for the Jing-Jin-Ji and the Yangtze River Delta megaregions, respectively. Our results illustrate the potential utility of the DL model as a complementary tool for conventional data assimilation approaches for air quality applications.
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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,133 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».