Identification of the Major Sources Contributing to PM<sub>2.5</sub>Observed in Toronto
Notice bibliographique
Résumé
The chemical composition of Toronto PM2.5 was measured daily from Feb 2000 to Feb 2001, and source apportionment was undertaken using positive matrix factorization (PMF). In Toronto, PM2.5 levels were influenced both by local urban activities and also by regional-scale transport. Although several PMF solutions were possible, an eight-source model for explaining the observed Toronto PM2.5 was found to provide realistic results and interesting insights into sources. The four main sources were coal combustion related to regional transport and secondary sulfate (26%), secondary nitrate related to both local and upwind sources of NOx and NH3 (36%), secondary organic aerosols (SOA) formed from a variety of precursor organic emissions (15%), and motor vehicle traffic (10%). The other detectable sources were road salt (winter) and three types of primary PM2.5 hypothesized to be associated with smelters, coal and oil combustion, industry, and local construction. Overall, motor vehicle-related emissions (including road salt and nitrate) were estimated to be responsible for about 40% of the PM2.5. In the summer, the SOA mass was estimated to contribute approximately 20% to the PM2.5. Inclusion of water-soluble, low-molecular-weight organic acids led to identification of this component, thus providing a significant improvement in PMF's ability to resolve sources. Without organic acid measurements the SOA portion of the observed PM2.5 was assigned to the secondary coal component, increasing its contribution and resulting in a source profile with an unrealistic amount of organic mass. This suggests that in the northeastern part of North America, there are physical and/or chemical processes that lead to close interaction between secondary organic and inorganic aerosols.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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) | 0,000 | 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 ».