From real-time to long-term source apportionment of PM <sub>10</sub> using high-time-resolution measurements of aerosol physical properties: methodology and example application at an urban background site (Aosta, Italy)
Notice bibliographique
Résumé
Abstract. Identifying aerosol sources is essential for designing effective air quality policies. This study introduces a novel PM10 source apportionment approach – RASPBERRY (Real-time Aerosol Source apportionment using Physics-Based Experimental data and multivaRiate factoR analYsis) – based on the analysis of aerosol physical properties, namely particle size distributions and spectrally resolved light absorption. The availability of such measurements at high temporal resolution enables aerosol source apportionment from real time to long-term scales. To demonstrate the implementation of RASPBERRY, we apply the method to a five-year hourly dataset (2020–2024) from an urban background site in the north-western Italian Alps, combining observations from a cost-effective optical particle counter (Palas Fidas 200) and an aethalometer (Magee Scientific AE33). RASPBERRY identifies six source factors contributing to PM10: traffic (9 %), biomass burning (10 %), two secondary aerosol modes (condensation, 23 %, and droplet, 16 %), desert dust (21 %), and local dust resuspension (21 %). Hourly resolved RASPBERRY estimates, averaged to daily values, show strong agreement with traditional chemical source apportionment techniques. Further validation is provided through comparisons with ground-based remote sensing (lidar-ceilometers, sun photometers) and modelling tools (Validated ReAnalysis ensemble from the Copernicus Atmosphere Monitoring Service). Selected real-time applications are also presented, including emergency surveillance during accidental events and the rapid identification of long-range transport of secondary particles, desert dust, and smoke (Canadian wildfires, 2023–2024). Although demonstrated at a single site, RASPBERRY is readily transferable to international air quality networks, as it relies on optical instruments commonly employed by regulatory authorities and environmental protection agencies.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».