Mustan hiilen massapitoisuuden epäsuora arviointi kaupunkiympäristössä
Notice bibliographique
Résumé
Musta hiili (engl. Black carbon, BC) on epätäydellisessä palamisessa muodostuva ilmansaaste, jonka on havaittu aiheuttavan terveysongelmia ja vaikuttavan ilmastoon. Kaikkia mustan hiilen vaikutuksia ei kuitenkaan vielä tunneta ja WHO (World Health Organization) suosittaa mustan hiilen ominaisuuksien ja sen aiheuttamien haittojen laajempaa tutkimista. Mustan hiilen vaikutuksia on syytä tutkia erityisesti kaupunkiympäristössä, koska kaupungeissa asutaan tyypillisesti tiiviisti ja päästölähteitä voi olla paljon. Mustan hiilen massapitoisuuden mittaamisen käytetyt menetelmät ja tulokset voivat kuitenkin erota toisistaan, eikä kaikkialla ole mahdollista sijoittaa lisää rahaa mittalaitteisiin. Monille muille ilmansaasteille on jo olemassa laajoja mittausverkostoja, joita voisi mahdollisesti hyödyntää mustan hiilen massapitoisuuden epäsuoraan arviointiin. Tässä diplomityössä käsitellään mustan hiilen massapitoisuuden epäsuoraa arviointia kaupunkiympäristössä yksinkertaista algoritmia käyttäen. Työssä arvioidaan algoritmin toimintaa ja suorituskykyä sekä yleisesti että erilaisissa olosuhteissa liikenneympäristössä ja pientaloalueella. Algoritmin toiminta perustuu ilmansaasteiden jatkuvaan mittausdataan ja lähtötietoina annettuihin ilmansaasteiden välisiin suhteisiin. Työn kirjallisuuskatsauksessa perustellaan muiden ilmansaasteiden käyttöä mustan hiilen massapitoisuuden epäsuorassa arvioinnissa sekä tarkastellaan aineiden massapitoisuuksiin vaikuttavia tekijöitä. Kirjallisuuskatsauksen perusteella todettiin, että mustaa hiiltä, alle 2,5 µm kokoisia hiukkasia, typen oksideja ja hiilimonoksidia muodostuu samoissa päästölähteissä. Lisäksi havaittiin, että kaupunkiympäristöjä voidaan luokitella niissä tyypillisesti esiintyvien päästölähteiden ja päästöjen pitoisuuksien suhteiden perusteella. Työssä käsiteltyjen aineiden massapitoisuuksien suhteiden vaihtelu valtiosta ja alueesta riippuen on pienempää kuin pelkkien massapitoisuuksien vaihtelu. Kirjallisuuden perusteella massapitoisuuksiin vaikuttavia tekijöitä voivat olla muun muassa aika, lämpötila, tuuli ja kaukokulkeuma, joita käytettiin tässä työssä algoritmin toiminnan arvioimiseen. Algoritmin muodostamien arvioiden tarkasteluun on käytetty HSY:n (Helsingin seudun ympäristöpalvelut) Suomen pääkaupunkiseudulla mitattua dataa. Algoritmin havaittiin muodostavan keskimäärin liian suuria arvioita liikenneympäristössä, kun mitattu mustan hiilen massapitoisuus oli alle 0,5 µg/m3. Pientaloalueella algoritmin muodostamat arviot olivat tarkimmillaan, kun mitattu mustan hiilen massapitoisuus oli noin 1–3 µg/m3. Arvioista 6–40 % osuus oli 20 % sisällä mitatusta mustan hiilen massapitoisuudesta. Kun mitattu mustan hiilen massapitoisuus oli 1–3 µg/m3, arvioista 27–55 % osuus oli 20 % sisällä mitatusta mustan hiilen massapitoisuudesta. Algoritmia voisi käyttää mustan hiilen massapitoisuuden epäsuoraan arviointiin mittausverkostoissa, joissa mustaa hiiltä ei mitata. Lisäksi mustan hiilen massapitoisuutta menneisyydessä voisi arvioida historiallisesta datasta. Arvion onnistumiseen vaikuttavat algoritmille syötetyt pohjatiedot sekä vallitsevat ilmiöt. Arvioiden tarkkuuden parantamiseksi algoritmia voisi kehittää lisää ja pohtia esimerkiksi tekoälyn hyödyntämistä arvioiden muodostuksessa.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».