Trajectory Modelling of Atmospheric Pollutants Associated with Aircraft Emissions for Air Quality Assessment
Notice bibliographique
Résumé
Aviation is suffering a large increase in recent years and as result there is a consequent increase in emissions of air pollutants. The highest exposure levels of air pollution in airports and near them are found in the Landing and Take-off (LTO) cycle responsible for negative impacts on air quality. The city of Rio de Janeiro, in the coastal region of the South East of Brazil, has two major airports; the International airport and one for domestic flights. Both are near the Guanabara Bay (GB), in Metropolitan Region of Rio de Janeiro (MRRJ). In this research, it was verified the pollutant trajectories emitted by these two airports using the Brazilian Regional Atmospheric Modelling System (BRAMS) to generate wind fields in the MRRJ. From the wind fields, 3D kinematic trajectories Lagrangian model was used to calculate the pollutant trajectories. Atmospheric instability indices were tested from the BRAMS simulations to verify the days with more stable atmospheric conditions in winter month. The Total Totals index (TT) was selected to be more appropriate for the purpose of this study. Obtained results showed that the cities of Rio de Janeiro and Duque de Caxias, in the western of the MRRJ, are critical points to be affected continually by pollutant transport due to the prevailing meteorological conditions, harming the air quality in the region. These models captured the influence of mesoscale and large-scale systems, showing the dependence of the trajectories of both systems related to the season and time of day. They are important tools in decision-making for the control of emissions, contributing to better management of urban air quality.
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) | 0,000 | 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 ».