Identifying and evaluating urban mercury emission sources through passive sampler-based mapping of atmospheric concentrations
Notice bibliographique
Résumé
Beyond emissions from coal-fired power generation, urban sources of mercury (Hg) to the atmosphere, especially minor fugitive sources, are relatively poorly characterized. To identify urban sources of fugitive Hg emissions, passive air samplers (PASs) were deployed for periods of 4–6 weeks in the summer of 2016 at 145 sites across the Greater Toronto Area (GTA). PASs were also deployed along transects of increasing distance from five sites listed as Hg sources in the National Pollution Release Inventory (NPRI) within or near the GTA. Mean gaseous Hg concentrations in downtown Toronto (1.77 ± 0.28 ng m ^−3 ) are slightly, but significantly elevated relative to other parts of the GTA (1.42 ± 0.20 ng m ^−3 ). Similarly, concentrations at sites close to waste/recycling (1.61 ± 0.22 ng m ^−3 ) and hospitals/dental facilities (1.63 ± 0.21 ng m ^−3 ) are significantly higher than at sites presumably distant from potential sources (1.37 ± 0.20 ng m ^−3 ). Gaseous Hg concentrations are elevated near four of five NPRI source sites, but not near a wastewater treatment plant. Measured or predicted concentrations (using extrapolated transect relationships) close to known Hg sources do not correlate with reported NPRI emissions. For example, the Hg disposal company Aevitas Inc. has the lowest reported NPRI emissions (0.11 kg yr ^−1 ) among the five sources, but measured (12.3 ng m ^−3 ) and predicted (60.0 ng m ^−3 ) concentrations outside the facility are the highest. The PAS’s ability to precisely and accurately discriminate small differences in gaseous Hg concentration (<0.2 ng m ^−3 ) at and near global background concentrations enables the mapping of the spatial concentration variability and the identification of fugitive Hg emission sources.
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 | 0,001 | 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) | 0,002 | 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 ».