Trends in Chemical Composition of Global and Regional Population-Weighted Fine Particulate Matter Estimated for 25 Years
Notice bibliographique
Résumé
We interpret in situ and satellite observations with a chemical transport model (GEOS-Chem, downscaled to 0.1° × 0.1°) to understand global trends in population-weighted mean chemical composition of fine particulate matter (PM 2.5 ). Trends in observed and simulated population-weighted mean PM 2.5 composition over 1989–2013 are highly consistent for PM 2.5 (−2.4 vs −2.4%/yr), secondary inorganic aerosols (−4.3 vs −4.1%/yr), organic aerosols (OA, −3.6 vs −3.0%/yr) and black carbon (−4.3 vs −3.9%/yr) over North America, as well as for sulfate (−4.7 vs −5.8%/yr) over Europe. Simulated trends over 1998–2013 also have overlapping 95% confidence intervals with satellite-derived trends in population-weighted mean PM 2.5 for 20 of 21 global regions. Over 1989–2013, most (79%) of the simulated increase in global population-weighted mean PM 2.5 of 0.28 μg m –3 yr –1 is explained by significantly ( p < 0.05) increasing OA (0.10 μg m –3 yr –1 ), nitrate (0.05 μg m –3 yr –1 ), sulfate (0.04 μg m –3 yr –1 ), and ammonium (0.03 μg m –3 yr –1 ). These four components predominantly drive trends in population-weighted mean PM 2.5 over populous regions of South Asia (0.94 μg m –3 yr –1 ), East Asia (0.66 μg m –3 yr –1 ), Western Europe (−0.47 μg m –3 yr –1 ), and North America (−0.32 μg m –3 yr –1 ). Trends in area-weighted mean and population-weighted mean PM 2.5 composition differ significantly.
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 | 0,000 | 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 | 0,002 |
| 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 ».