Comparing airborne algorithms for greenhouse gas flux\nmeasurements over the Alberta oil sands
Notice bibliographique
Résumé
To combat global warming, Canada has committed to reducing greenhouse gases to be (GHGs) 40 %–45 % below 2005 emission levels by 2025. Monitoring emissions and deriving accurate inventories are essential to reaching these goals. Airborne methods can provide regional and area source measurements with small error if ideal conditions for sampling are met. In this study, two airborne mass-balance box-flight algorithms were compared to assess the extent of their agreement and their performance under various conditions. The Scientific Aviation’s (SciAv) Gaussian algorithm and the Environment and Climate Change Canada’s top-down emission rate retrieval algorithm (TERRA) were applied to data from five samples. Estimates were compared using standard procedures, by systematically testing other method fits, and by investigating the effects on the estimates when method assumptions were not met. Results indicate that in standard scenarios the SciAv and TERRA mass-balance box-flight methods produce similar estimates that agree (3%–25%) within algorithm uncertainties (4%– 34%). Implementing a sample-specific surface extrapolation procedure for the SciAv algorithm may improve emission estimation. Algorithms disagreed when non-ideal conditions occurred (i.e., under non-stationary atmospheric conditions). Overall, the results provide confidence in the box-flight methods and indicate that emissions estimates are not overly sensitive to the choice of algorithm but demonstrate that fundamental algorithm assumptions should be assessed for each flight. Using a different method, the Airborne Visible InfraRed Imaging Spectrometer – Next Generation (AVIRIS-NG) independently mapped individual plumes with emissions 5 times larger than the source SciAv sampled three days later. The range in estimates highlights the utility of increased sampling to get a more complete understanding of the temporal variability of emissions and to identify emission sources within facilities. In addition, hourly on-site activity data would provide insight to the observed temporal variability in emissions and make a comparison to reported emissions more straightforward.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,107 | 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 ».