Detection of pollen and biomass burning particles using laser- induced aerosol fluorescence and in situ techniques during the PERICLES campaign 2023 in Switzerland
Notice bibliographique
Résumé
The Payerne lidaR and Insitu detection of fluorescent biomass burning and dust partiCLES and their cloud impact (PERICLES) campaign (May - June 2023) took place at the rural site of Payerne, Switzerland (46.82o N, 6.94o E, 491 m a.s.l.), at the premises of MeteoSwiss station. PERICLES aimed to understand the spatio-temporal variability of different types of bioaerosols (biomass burning, pollen, dust, etc.) in the Planetary Boundary Layer and aloft (typically up to 2-5 km asl.) and their role in cloud formation. As bioaerosols play a crucial role in cloud formation and on human health, there is strong need to characterize them, both at ground level and aloft. Recently, elastic and fluorescence lidars have become important tools for characterizing bioaerosols’ types. In this study, we used a synergy of in-situ and laser remote sensing instrumentation to discriminate between pollen, dust and biomass burning bioparticles and evaluate their role in cloud formation. Biomass burning particles originated from long-range wildfires in Canada and near-range ones in Germany. High concentrations of pollen were recorded by in situ instruments (Hirst-type volumetric trap, Swisens Poleno and WIBS 5 NEO) at ground level. The EPFL elastic-laser induced fluorescence (LIF) lidar was used to provide vertical profiles of the aerosol elastic (baer) and fluorescence backscatter (bF) coefficients, along with the fluorescence capacity factor (GF), during the study period. Typical values of bF ranged from 1.5 to 8.5 x10-4 Mm-1 sr-1, while GF took values between 1-8 x 10-4. A 32-channel spectrometer detected the bioaerosol fluorescence lidar signals aloft (from ground up to 1-1.5 km height). Application of machine learning algorithms we were able to determine the percentage distribution of various pollen types (e.g. Dactylis glomerata, Quercus robur, Fagus Sylvatica and Betula pendula), which correlate well with ground-level pollen data and number concentrations of ice-nucleating particles (INPs).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».