Analysis of a June 2023 Smoke Transport over the Northeast US Caused by Wildfires in Canada- leveraging the HRRR-Smoke model predictions and remote sensing observations.
Notice bibliographique
Résumé
The intensification of wildland fires across portions of Canada in early June 2023 led to significant smoke transport into the eastern United States, resulting in poor air quality and reduced visibility. Significant degradation of air quality was evident from PM2.5 surface measurements along the smoke plume as it moved southwards, which was confirmed by satellite data and the operational HRRR-Smoke model. The availability of Doppler lidar data and the publicity surrounding the poor conditions in Washington DC led to a focused effort addressing the timing and enhancement of smoke in the nation’s capital. The predictive skill of the operational HRRR-Smoke model was evaluated against wind profile and PM2.5 surface measurements. In general, the HRRR-Smoke forecast accurately predicted the meteorological conditions, particularly the diurnal evolution of regional winds and boundary layer depth. Despite capturing the diurnal evolution of winds, errors were still seen in the wind shear structure and magnitude (biases ranged between ± 2 m s-1and ± 4 m s-1). In terms of air quality, good agreement was found between modeled and observed PM2.5 concentrations at four sites in Washington DC. Confidence in modeled winds and PM2.5 allowed HRRR-Smoke to be used to determine the development of a lee trough as a regional transport mechanism for circulating smoke into Washington DC and leading to bad air quality.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».