Classifying ultrafine particle formation using machine learning on total number concentrations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ultrafine particles (UFP, less than 100 nm in aerodynamic diameter) pose significant health and environmental risks. These particles can originate from anthropogenic sources such as traffic emissions and fuel combustion, or form through atmospheric reactions. To reduce human exposure to UFP, it is important to understand the processes that can increase UFP concentrations. Current methods typically use particle size data to identify processes such as nucleation events. Recent studies have applied machine learning, particularly the transfer learning method, to this task. However, particle size distribution data is not widely available at many monitoring sites. In this study, we aimed to identify UFP sources using machine learning classification models only based on high time-resolution total number concentration data, rather than size distribution data, making the approach applicable to locations where only total UFP measurements are available. We have previously analyzed particle size data ranging from 6 to 520 nm collected from 2006 to the end of 2021 at the Southern Ontario Centre for Atmospheric Aerosol Research (SOCAAR) near a busy roadway in downtown Toronto, Canada. The days were classified into five categories: Strong Nucleation, Midday Pollution, Traffic Pollution, Baseline, and Mixed. Two machine learning approaches were tried: (1) ensemble learning models, and (2) transfer learning models. Both approaches performed well, achieving average accuracies of 80% and 75%, respectively. While transfer learning models were more robust to missing values, the ensemble learning method was slightly more robust to moderate noise and was also less computationally demanding. The ensemble learning models were then applied to a second monitoring location with a lower UFP level. The predicted classes at this site had similar characteristics to the classified days at the first site, with 78%, 58%, and 50% of the Strong Nucleation, Baseline, and Traffic Pollution days identified at both sites being classified into the same respective categories. These results suggest that the ensemble learning models could be transferred to other locations.
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.
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) | 0,005 | 0,001 |
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 découle