Machine Learning Classification of Air Quality Monitoring Stations to Achieve Ambient NO2 Objectives Using Emission Scenarios and Chemical Transport Model
Notice bibliographique
Résumé
Exceeding the latest Canadian Ambient Air Quality Standards (CAAQS) for NO2 concentration in Canadian cities motivates discussions on new policies and directives. Advanced air quality modeling and machine learning clustering algorithms integrating the Weather Research Forecast (WRF) and Community Multiscale Air Quality (CMAQ) models were used to classify air quality monitoring (AQM) stations based on pollution concentration modeling results. The sensitivity of ambient NO2 to the primary anthropogenic emission sources was investigated in Alberta, Canada. Emissions from two main sources, upstream oil and gas (UOG) and transportation sources, have been identified as the reason Alberta fails to meet the newly adopted NO2 CAAQS objectives. The air quality model was validated with ground-level observation data and the atmospheric model accurately replicates spatiotemporal NO2 variations. Despite contributing 62% of Alberta’s total NOx emissions, UOG influences ambient NO2 concentrations modestly in urban areas (<10%) but significantly affects rural regions. In contrast, transportation emission sources, responsible for 23% of NOx emissions, dominate ambient NO2 levels (up to 63%) in large cities. The discrepancy of emission contribution and ground-level concentrations, obtained from the chemical transport model, was resolved using a k-prototypes clustering algorithm to propose a new approach for categorizing AQM stations which led to improving the conventional classifications. The new approach considered the sensitivity of NO2 to emission reduction scenarios and provided an improved classification to be used for emission reduction interventions. Based on the updated classification, one set of AQM stations clearly showed sensitivity to NO2 emission reduction in the transportation sector despite their lower contributions to overall emissions. These stations were categorized as population exposure stations in large cities.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».