Deep learning-derived anthropogenic and meteorological drivers of surface ozone change in China
Notice bibliographique
Résumé
Urban air pollution continues to pose a significant health threat, despite regulations to control emissions. Here we present a comparative analysis of the anthropogenic and meteorological drivers of surface ozone (O3) change in China by integrating deep learning (DL) and chemical transport model (CTM) methods. The DL method suggests volatile organic compound (VOC)-limited regimes in urban areas over northern inland China in contrast to strong nitrogen oxides (NOx)-limited regimes in GEOS-Chem simulations. 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. The DL method exhibits possible weakened anthropogenic contributions to surface O3 rise in the North China Plain, for example, 1.53 and 0.54 ppb/y in 2015-2019 and 2019-2021, respectively. Similarly, GEOS-Chem simulations suggest an accelerated decrease in surface O3 concentrations driven by the decline in nitrogen dioxide (NO2) concentrations. Furthermore, both DL and GEOS-Chem models suggest the reverse of meteorological contributions to the observed O3 change in the North China Plain in 2019-2021, which is mainly resulted from the reversed changes in meteorological variables in surface air temperature and relative humidity. This work highlights the importance of DL as a supplement to CTM-based analysis. The derived O3 drivers are helpful for making effective regulatory policies to control O3 pollution in China.
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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».