Source apportionment resolved by time of day for improved deconvolution of primary source contributions to air pollution
Notice bibliographique
Résumé
Abstract. Present methodologies for source apportionment assume fixed source profiles. Since meteorology and human activity patterns change seasonally and diurnally, application of source apportionment techniques to shorter rather than longer time periods generates more representative mass spectra. Here, we present a new method to conduct source apportionment resolved by time of day using the underlying approach of positive matrix factorization (PMF). We call this approach “time-of-day PMF” and statistically demonstrate the improvements in this approach over traditional PMF. We report on source apportionment conducted on four example time periods in two seasons (winter and monsoon seasons of 2017), using organic aerosol measurements from an aerosol chemical speciation monitor (ACSM). We deploy the EPA PMF tool with the underlying Multilinear Engine (ME-2) as the PMF solver. Compared to the traditional seasonal PMF approach, we extract a larger number of factors as well as PMF factors that represent the expected sources of primary organic aerosol using time-of-day PMF. By capturing diurnal time series patterns of sources at a low computational cost, time-of-day PMF can utilize large datasets collected using long-term monitoring and improve the characterization of sources of organic aerosol compared to traditional PMF approaches that do not resolve by time of day.
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 | 0,002 | 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) | 0,001 | 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 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 ».