Temporal and Machine Learning-Based Principal Component and Clustering Analysis of VOCs and Their Role in Urban Air Pollution and Ozone Formation
Notice bibliographique
Résumé
This study investigates the temporal dynamics, sources, and photochemical behaviour of key volatile organic compounds (VOCs) along Marylebone Road, London (1 January 2015–1 January 2023), a heavily trafficked urban area. Hourly measurements of benzene, toluene, ethylbenzene, ethene, propene, isoprene, propane, and ethyne, alongside ozone (O3) and meteorological data, were analysed using correlation matrices, regression, cross-correlation, diurnal/seasonal analysis, wind-sector analysis, PCA (Principal Component Analysis), and clustering. Strong inter-VOC correlations (e.g., benzene–ethylbenzene: r = 0.86, R2 = 0.75; ethene–propene: r = 0.68, R2 = 0.53) highlighted dominant vehicular sources. Diurnal peaks of benzene, toluene, and ethylbenzene aligned with rush hours, while O3 minima occurred in early mornings due to NO titration. VOCs peaked in winter under low mixing heights, whereas O3 was highest in summer. Wind-sector analysis revealed dominant VOC emissions from SSW (south-southwest)–WSW (west-southwest) directions; ethyne peaked from the E (east)/ENE (east-northeast). O3 concentrations were highest under SE (southeast)–SSE (south-southeast) flows. PCA showed 39.8% of variance linked to traffic-related VOCs (PC1) and 14.8% to biogenic/temperature-driven sources (PC2). K-means clustering (k = 3) identified three regimes: high VOCs/low O3 in stagnant, cool air; mixed conditions; and low VOCs/high O3 in warmer, aged air masses. Findings highlight complex VOC–O3 interactions and stress the need for source-specific mitigation strategies in urban air quality management.
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 ».