Machine-Learning-Driven Reconstruction of Organic Aerosol Sources across Dense Monitoring Networks in Europe
Notice bibliographique
Résumé
Fine particulate matter (PM) poses a major threat to public health, with organic aerosol (OA) being a key component. Major OA sources, hydrocarbon-like OA (HOA), biomass burning OA (BBOA), and oxygenated OA (OOA), have distinct health and environmental impacts. However, OA source apportionment via positive matrix factorization (PMF) applied to aerosol mass spectrometry (AMS) or aerosol chemical speciation monitoring (ACSM) data is costly and limited to a few supersites, leaving over 80% of OA data uncategorized in global monitoring networks. To address this gap, we trained machine learning models to predict HOA, BBOA, and OOA using limited OA source apportionment data and widely available organic carbon (OC) measurements across Europe (2010-2019). Our best performing model expanded the OA source data set 4-fold, yielding 85 000 daily apportionment values across 180 sites. Results show that HOA and BBOA peak in winter, particularly in urban areas, while OOA, consistently the dominant fraction, is more regionally distributed with less seasonal variability. This study provides a significantly expanded OA source data set, enabling better identification of pollution hotspots and supporting high-resolution exposure assessments.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».