Data‐ and Model‐Based Urban O<sub>3</sub> Responses to NO<sub>x</sub> Changes in China and the United States
Notice bibliographique
Résumé
Abstract Urban air pollution continues to pose a significant health threat, despite regulations to control emissions. Here we present a comparative analysis of urban ozone (O3) responses to nitrogen oxide (NOx) changes in China and the United States (US) over 2015–2020 by integrating various data‐ and model‐based methods. The data‐based deep learning (DL) model exhibited good performance in simulating urban air quality: the correlation coefficients (R) of O3 daily variabilities with respect to independent O3 observations are 0.88 and 0.79 over N. China, 0.87 and 0.90 over S. China, and 0.87 and 0.49 over E. United States by the DL and GEOS‐Chem chemical transport models, respectively. Furthermore, the data‐based methods suggest volatile organic compound (VOC)‐limited regimes in urban areas over northern inland China and transitional regimes over eastern US urban areas; in contrast, GEOS‐Chem model suggests strong NOx‐limited regimes. Sensitivity analysis indicates that the inconsistent O3 responses are partially caused by the inaccurate representation of O3 precursor concentrations at the locations of urban air quality stations in the simulations, while the data‐based methods are driven by the variabilities in local O3 precursor concentrations and meteorological conditions. The O3 responses to NOx changes reported here provide a better understanding of urban O3 pollution; for example, reductions in NOx emissions are suggested to have resulted in an increase in surface O3 by approximately 7 ppb in the Sichuan Basin in 2014–2020.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».