Spatial distribution of non-point source nitrogen in urban area of Beijing City, China
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
Non-point source (NPS) pollution, has been dominant in many urban areas, causing nutrient loss, water body pollution and aqueous systems damaging. Among the pollutants, nitrogen is a key nutrient which can cause eutrophication of rivers, lakes and reservoirs. Beijing, the capital of China, has a booming economy and a huge population. Various human activities have affected nitrogen accumulation deeply and caused considerable NPS pollution. This research calculated the annual load of NPS nitrogen in urban area of Beijing City (UABC) in 2005 and simulated its spatial distribution, which may be useful for environmental planning and pollution control of the UABC and cities with intensive human activities. The total NPS nitrogen load of the UABC was is 1083.09 t in 2005. The load of agricultural land, construction land and unused land were 92.04 t, 969.29 t and 21.77 t. As far as spatial distribution is concerned, construction land was with heavy pollution. Chaoyang district, Haidian district and Fengtai district were the most major export regions of NPS nitrogen loads. The loads of them were 376.88 t, 286.87 t and 249.92 t. As for load intensity of NPS nitrogen, the high-load sources were distributed in the Xicheng district and Dongcheng district, of which the load intensities were 1.10 km 2 /t and 1.11 km 2 /t respectively. Among agricultural land, construction land and unused one, the high-load source was distributed in construction land. Therefore, exhaust gas emission should be reduced, and roof greening as well as road sweep should be improved.
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 | 0,001 | 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle