Evaluation of plume rise parameterizations in GEM-MACHv2 with analysis of image data using a deep convolutional neural network
Notice bibliographique
Résumé
Abstract. The study of plume rise from smokestacks and other pollutant point sources is extremely important for the estimation and modelling of the dispersion of pollutants on regional scales via atmospheric modelling platforms. However, the algorithms which have been used to represent plume rise were based on observations conducted nearly 50 years ago (the semi-empirical dimensional modelling framework of Briggs, 1984), and more recent measurement techniques are available which can be used to generate new data, against which pollutant plume rise theories may be evaluated. A key result of the theoretical formulations based on these past observations is the height reached by the plumes (the process by which they reach that height is known as plume rise). In this work, a previously developed deep convolutional neural network (Deep Plume Rise Network, DPRNet) for determining plume rise from visible RGB images was applied to images taken of a facility in the Athabasca oil sands and compared to the theoretical estimates of Briggs parameterizations as formulated in GEM-MACHv2. On average, the Briggs parameterizations tend to predict plume rise in stable and neutral conditions within 30 %, but consistently overpredict plume rise during unstable conditions by more than 100 %. Further, while Briggs parameterizations predicted diurnal variations in plume rise, no such variation was observed by the image analysis. The parameterizations could be improved reducing dimensionless constants by factors of 2 and 6 in neutral and unstable conditions, respectively. The plume height data have been shown to provide a significant resource for plume rise theory evaluation and development.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».