PM <sub>2.5</sub> concentrations based on near-surface visibility at 4011 sites in the Northern Hemisphere from 1959 to 2022
Notice bibliographique
Résumé
Abstract. Long-term PM2.5 data are needed to study the atmospheric environment, human health, and climate change. PM2.5 measurements are sparsely distributed and of short duration. In this study, daily PM2.5 concentrations are estimated from 1959 to 2022 using a machine learning method at 4011 terrestrial sites in the Northern Hemisphere based on hourly atmospheric visibility data, which are extracted from the Meteorological Terminal Aviation Routine Weather Report (METAR). PM2.5 monitoring is the target of machine learning, and atmospheric visibility and other related variables are the inputs. The training results show that the slope between the estimated PM2.5 concentration and the monitored PM2.5 concentration is 0.946± 0.0002 within the 95 % confidence interval (CI), the coefficient of determination (R2) is 0.95, the root mean square error (RMSE) is 7.0 μg/m3, and the mean absolute error (MAE) is 3.1 μg/m3. The test results show that the slope between the predicted PM2.5 concentration and the monitored PM2.5 concentration is 0.862 ± 0.0010 within a 95 % CI, the R2 is 0.80, the RMSE is 13.5 μg/m3, and the MAE is 6.9 μg/m3. The multiyear mean PM2.5 concentrations from 1959 to 2022 in the United States, Canada, Europe, China, and India are 11.2 μg/m3, 8.2 μg/m3, 20.1 μg/m3, 51.3 μg/m3 and 88.6 μg/m3, respectively. PM2.5 is low and continues to decrease from 1959 to 2022. PM2.5 in the United States increases slightly at a rate of 0.38 μg/m3/decade from 1959 to 1990 and decreases at a rate of -1.32 μg/m3/decade from 1991 to 2022. Trends in Europe are positive (5.69 μg/m3/decade) from 1959 to 1972 and negative (-1.91 μg/m3/decade) from 1973 to 2022. Trends in China and India are increasing (3.04 and 3.35 μg/m3/decade, respectively) from 1959 to 2012 and decreasing (-38.82 and -42.84 μg/m3/decade, respectively) from 2013 to 2022. The dataset is available at National Tibetan Plateau / Third Pole Environment Data Center (https://doi.org/10.11888/Atmos.tpdc.301127) (Hao et al., 2024).
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».