Spatiotemporal Pattern of Fine Particulate Matter and Impact of Urban Socioeconomic Factors in China
Notice bibliographique
Résumé
Frequent hazy weather has been one of the most obvious air problems accompanying China’s rapid urbanization. As one of the main components of haze pollution, fine particulate matter (PM2.5), which severely affects environmental quality and people’s health, has attracted wide attention. This study investigated the PM2.5 distribution, changing trends and impact of urban factors based on remote-sensing PM2.5 concentration data from 2000 to 2015, combining land-use data and socioeconomic data, and using the least-squares method and structural equation model (SEM). The results showed that the high concentration of PM2.5 in China was mainly concentrated in the eastern part of China and Sichuan Province. The trends of the PM2.5 concentration in eastern part and Northeast China, Sichuan, and Guangxi Provinces were positive. Meanwhile, the ratios of increasing trends were strongest in built-up land and agricultural land, and the decreasing trends were strongest in forest and grassland, but the overall trends were still growing. The SEM results indicated that economic factors contributed most to PM2.5 pollution, followed by demographic factors and spatial factors. Among all observed variables, the secondary industrial GDP had the highest impact on PM2.5 pollution. Based on the above results, PM2.5 pollution remains an important environmental issue in China at present and even in the future. It is necessary for decision-makers to make actions and policies from macroscopic and microscopic, long-term and short-term aspects to reduce pollution.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».