Decoding methane concentration in Alberta oil sands: A machine learning exploration
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Most activities associated with Alberta’s oil sands industry are widely recognized as a serious threat to the environment, particularly the emission of greenhouse gases; the industrial residue that accumulates in oil sands tailings ponds (OSTPs) has the potential to emit large quantities of methane. Mathematical modeling of these emissions, and hence deducing where and why high methane concentrations can be found, is often infeasible due to complex interactions between different sources of methane and lack of availability of appropriate data. Additionally, stationing advanced monitoring devices either inside or in the vicinity of methane emitting sources can be expensive, and may require permits that are hard to obtain. Interpretable machine learning techniques, coupled with existing data from weather monitoring stations, offer a cost-effective alternative approach for modeling and understanding methane emissions sources. We introduce a multi-step framework for finding the primary factors associated with higher methane concentrations, powered by machine learning models (such as random forest) trained on high dimensional datasets sourced from multiple weather monitoring stations located in the Lower Athabasca region. The proposed framework can predict methane concentration levels, illustrate the dependence between the important features and their impact on these levels, and (via the incorporation of wind data) uncover locations of methane sources. We use it to locate such sources in northeastern Alberta. We additionally use Shapley values to find that O 3 ’s relationship with methane concentration is consistently concave, while that of NO X changes from linear increase to a saturation function with increasing distance from OSTPs. This paper serves as a guide for building machine learning-driven models to estimate methane concentration in Alberta’s oil sands, or similar regions with methane-producing extractive industries. • We use interpretable machine learning to explain methane levels in northeast Alberta. • The relationship between NO X and methane changed with distance to tailings ponds. • Using our method with wind direction data revealed methane source locations. • Methane concentrations were higher in winter due to both natural and human factors. • Oil sands sources were associated with higher methane contribution than swamplands.
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.
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 | 0,001 |
| 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 découle