Elucidating real-world vehicle emission factors from mobile measurements over a large metropolitan region: a focus on isocyanic acid, hydrogen cyanide, and black carbon
Notice bibliographique
Résumé
A mobile laboratory equipped with state-of-the-art gaseous and particulate instrumentation was deployed across the Greater Toronto Area (GTA) during two seasons. A high-resolution time-of-flight chemical ionization mass spectrometer (HR-TOF-CIMS) measured isocyanic acid (HNCO) and hydrogen cyanide (HCN), and a high-sensitivity laser-induced incandescence (HS-LII) instrument measured black carbon (BC). Results indicate that on-road vehicles are a clear source of HNCO and HCN and that their impact is more pronounced in the winter, when influences from biomass burning (BB) and secondary photochemistry are weakest. Plume-based and time-based algorithms were developed to calculate fleet-average vehicle emission factors (EFs); the algorithms were found to yield comparable results, depending on the pollutant identity. With respect to literature EFs for benzene, toluene, C2 benzene (sum of m- , p- , and o -xylenes and ethylbenzene), nitrogen oxides, particle number concentration (PN), and black carbon, the calculated EFs were characteristic of a relatively clean vehicle fleet dominated by light-duty vehicles (LDV). Our fleet-average EF for BC (median: 25 mg kgfuel-1; interquartile range, IQR: 10–76 mg kgfuel-1) suggests that overall vehicular emissions of BC have decreased over time. However, the distribution of EFs indicates that a small proportion of high-emitters continue to contribute disproportionately to total BC emissions. We report the first fleet-average EF for HNCO (median: 2.3 mg kgfuel-1, IQR: 1.4–4.2 mg kgfuel-1) and HCN (median: 0.52 mg kgfuel-1, IQR: 0.32–0.88 mg kgfuel-1). The distribution of the estimated EFs provides insight into the real-world variability of HNCO and HCN emissions and constrains the wide range of literature EFs obtained from prior dynamometer studies. The impact of vehicle emissions on urban HNCO levels can be expected to be further enhanced if secondary HNCO formation from vehicle exhaust is considered.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».