Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.044 | 0.016 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".