Analyzing the Relationship Between Ultraviolet Aerosol Index and Aerosol Optical Depth to Fill in Missing Data from a 2021 Wildfire
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
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.
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 | 0,001 | 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 découle