Notice bibliographique
Résumé
Abstract. The purpose of this work is to derive new NO2 vertical profiling data products from Pandora spectrometers and investigate the factors contributing to the bias of this dataset relative to established ground-based and spaceborne datasets. Possible applications of the NO2 vertical profile dataset include air quality monitoring and satellite validation studies. We explore the application of the optimal estimation method to Pandora multi-axis differential optical absorption spectroscopy (MAX-DOAS) measurements to retrieve vertical profile information for nitrogen dioxide (NO2). We use the Heidelberg Profile (HeiPro) retrieval algorithm to derive, for the first time, NO2 profiles and partial columns (0–4 km) from Pandora MAX-DOAS measurements from 2018–2020 at Downsview, a suburban neighbourhood in the north end of Toronto, Canada that is subject to local traffic emissions and urban influences. Validation of the new dataset was done via comparison with official Pandora direct-Sun measurements, in situ observations, satellite data, and an air quality forecasting model. We find that, for tropospheric partial column comparisons, the HeiPro dataset has a positive mean relative bias to Pandora direct-Sun (61 % ± 9.7 %) and TROPOMI (41 % ± 47 %) observations, as well as the GEM-MACH model output (61 % ± 7.5 %), with similar seasonal and diurnal cycles in the bias with Pandora direct-Sun and GEM-MACH. Contributing factors to the large bias of HeiPro to Pandora direct-Sun were investigated, and NO2 heterogeneity, combined with differences between direct-Sun and multi-axis viewing geometries, was found to contribute a maximum of 52 % of the total relative bias during morning measurement times. For surface NO2 comparisons, we find that HeiPro measurements capture the magnitude and diurnal variability of surface NO2 reasonably well (mean relative bias to in situ surface NO2: −8.9 % ± 7.6 %) but are low-biased compared to GEM-MACH (mean relative bias: −36 % ± 2.4 %). Compared to HeiPro, the GEM-MACH model profiles are high-biased in the lower boundary layer and low-biased in the free troposphere.
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 | 0,003 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,023 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,220 | 0,161 |
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 ».