North American Fine Particulate Matter Chemical Composition for 2000–2022 from Satellites, Models, and Monitors: The Changing Contribution of Wildfires
Notice bibliographique
Résumé
Air quality management benefits from an in-depth understanding of the emissions associated with, and composition of, local PM 2.5 concentrations. Here, we investigate the changing role of biomass burning emissions to North American PM 2.5 exposure by combining multiple satellite-, ground-, and simulation-based data sets biweekly at a 0.01° × 0.01° resolution from 2000 to 2022. We also developed a Buffered Leave Cluster Out (BLeCO) method to address autocorrelation and computational cost in cross-validation. Biomass burning emissions contribute an increasingly large fraction to PM 2.5 exposure in the United States and Canada, with national annual population-weighted mean contributions increasing from 0.4 μg/m 3 (3–5%) in 2000–2004 to 0.8–0.9 μg/m 3 (9–14%) by 2019–2022, led by western North American 2019–2022 annual contributions of 1.4–1.9 μg/m 3 (15–27%) and maximum seasonal contributions of 3.3–5.5 μg/m 3 (29–49%). Other components such as nonbiomass burning Organic Matter (OM) and nitrate can be regionally as (or more) important, albeit with distinct seasonal variability. The contribution of total OM to PM 2.5 exposure in the United States in 2016–2022 is 42.2%, comparable to all other anthropogenically sourced components combined. Comparison of BLeCO and random 10-fold cross-validation suggests that random 10-fold cross-validation may significantly underrepresent true uncertainty for total PM 2.5 concentrations due to the clustered nature of PM 2.5 ground-based monitoring.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».