Improving residential wood burning emission inventories with the integration of readily available data sources
Notice bibliographique
Résumé
Residential wood burning (RWB) is the largest anthropogenic source of PM2.5 in many North American and European cities in the winter. The current lack of information on the locations, types, and intensity of use of wood burning appliances limits the ability to accurately assess the exposure of the population to RWB emissions. In this study, we generated a high spatial resolution emission inventory for RWB in the province of Quebec, Canada using a novel data driven approach. The method first combines real estate and socioeconomic census data through machine learning models to estimate ownership rates of fireplaces and wood stoves. These ownership rates are then combined with household survey data (on wood consumption and types of appliances), emission factors and building registry data to generate the emission inventory at a 1Km2 resolution. Our proposed approach was able to capture spatial patterns in RWB appliance ownership and intensity of use, which may be overlooked by using simple urban vs rural or population based spatial proxies. The machine learning models explained 80.3 % and 63 % of the variability in wood stove and fireplace ownership rates with each appliance type exhibiting different spatial trends. Wood stoves were common in rural areas and among lower income households, whereas fireplaces were more common in urban areas. Additionally, we observed large spatial and regional variability in emissions per residence due to differences in wood consumption, appliance ownership rates, and appliance mixes (e.g. conventional vs certified). Our results suggest that using simple spatial proxies based on population, urbanization levels or residence type are not enough to explain the spatial distribution of RWB emissions as they might overlook other factors such as socioeconomic factors or regional heating preferences. Finally, our spatially distributed emissions were strongly correlated (r = 0.86) with the increase in PM2.5 concentrations during peak-RWB hours on winter weekends at 42 reference stations across the province of Quebec.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».