Global Sources of Fine Particulate Matter: Interpretation of PM<sub>2.5</sub> Chemical Composition Observed by SPARTAN using a Global Chemical Transport Model
Notice bibliographique
Résumé
Exposure to ambient fine particulate matter (PM2.5) is a leading risk factor for the global burden of disease. However, uncertainty remains about PM2.5 sources. We use a global chemical transport model (GEOS-Chem) simulation for 2014, constrained by satellite-based estimates of PM2.5 to interpret globally dispersed PM2.5 mass and composition measurements from the ground-based surface particulate matter network (SPARTAN). Measured site mean PM2.5 composition varies substantially for secondary inorganic aerosols (2.4–19.7 μg/m3), mineral dust (1.9–14.7 μg/m3), residual/organic matter (2.1–40.2 μg/m3), and black carbon (1.0–7.3 μg/m3). Interpretation of these measurements with the GEOS-Chem model yields insight into sources affecting each site. Globally, combustion sectors such as residential energy use (7.9 μg/m3), industry (6.5 μg/m3), and power generation (5.6 μg/m3) are leading sources of outdoor global population-weighted PM2.5 concentrations. Global population-weighted organic mass is driven by the residential energy sector (64%) whereas population-weighted secondary inorganic concentrations arise primarily from industry (33%) and power generation (32%). Simulation-measurement biases for ammonium nitrate and dust identify uncertainty in agricultural and crustal sources. Interpretation of initial PM2.5 mass and composition measurements from SPARTAN with the GEOS-Chem model constrained by satellite-based PM2.5 provides insight into sources and processes that influence the global spatial variation in PM2.5 composition.
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 | 0,003 |
| 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 ».