Analyzing the Relationship Between Ultraviolet Aerosol Index and Aerosol Optical Depth to Fill in Missing Data from a 2021 Wildfire
Notice bibliographique
Résumé
Aerosol Optical Depth (AOD) is the measure of aerosols in the air during a certain period of time and indicates relatively hazy parts of the atmosphere. Yet, in many areas, when plotting the AOD on a map, it measures no data. As an alternative, the Ultraviolet Aerosol Index (UVAI), also determines the presence of dust and smoke, two ultraviolet-absorbing aerosols. I hypothesize that there is a way to fill in the “no data” parts of the AOD map using the data already given, including UVAI. To do this, I observed a specific time period (7/10/2021 - 7/22/2021) in which wildfires on the west coast and in Canada were prevalent. Then, I utilized Python libraries to create scatterplots calculating the correlation, as well as a linear regression equation, to analyze the relationship between UVAI and AOD for these dates. Using the linear regression equation, I could plug in UVAI values to get new, potentially correct, AOD values. I replotted the data with these new values and the results were drastically more coverage than the original AOD maps. Therefore, since the correlation between UVAI and AOD was high, the relationship between them was statistically significant enough to fill in the missing data. This new data gives a better understanding of where these wildfires originated and help find points that may have been missed by the photometer.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».