Characterization and Source Apportionment of PM2.5 in an Urban Environment in Beijing
Notice bibliographique
Résumé
Daily 24-hour PM2.5 samples were collected continuously from January 1 to December 31, 2010. Elemental concentrations from Al to Pb were obtained using particle induced X-ray emission (PIXE) method. This was the first full year continuous daily PM2.5 elemental composition dataset in Beijing. Source apportionment analysis was conducted on this dataset using the positive matrix factorization method. Seven sources and their contributions to the total PM2.5 mass were identified and quantified. These include secondary sulphur– 13.8 μg/m3, 26.5%; vehicle exhaust– 8.9 μg/m3, 17.1%; fossil fuel combustion– 8.3 μg/m3, 16%; road dust– 6.6 μg/m3, 12.7%; biomass burning– 5.8 μg/m3, 11.2%; soil dust– 5.4 μg/m3, 10.4%; and metal processing– 3.1 μg/m3, 6.0%. Fugitive dusts (including soil dust and road dust) showed the highest contribution of 20.7 μg/m3 in the spring, doubling those in other seasons. On the contrary, contributions of the combustion source types (including biomass burning and fossil fuel combustion) were significantly higher in the fall (14.2 μg/m3) and in the winter (24.5 μg/m3) compared to those in the spring and summer (9.6 and 8.0 μg/m3, respectively). Secondary sulphur contributed the most in the summer while vehicle exhaust and metal processing sources did not show any clear seasonal pattern. The different seasonal highs and lows from different sources compensated each other. This explains the very small seasonal variations (< 20%) in the total PM2.5.
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 | 0,003 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».