Pollutant emission reductions deliver decreased PM <sub>2.5</sub> -caused mortality across China during 2015–2017
Notice bibliographique
Résumé
Air pollution is a serious environmental issue and leading contributor to disease burden in China. Rapid reductions in fine particulate matter (PM 2.5 ) concentrations and increased ozone concentrations occurred across China during 2015 to 2017. We used measurements of particulate matter with a diameter <2.5 µm (PM 2.5 ) and ozone (O 3 ) from more than 1000 stations across China along with Weather Research and Forecasting model coupled with Chemistry (WRF-Chem) regional air quality simulations, to explore the drivers and impacts of observed trends. The measured nationwide median PM 2.5 trend of -3.4µgm-3yr-1 was well simulated by the model (-3.5µgm-3yr-1). With anthropogenic emissions fixed at 2015 levels, the simulated trend was much weaker (-0.6µgm-3yr-1), demonstrating that interannual variability in meteorology played a minor role in the observed PM 2.5 trend. The model simulated increased ozone concentrations in line with the measurements but underestimated the magnitude of the observed absolute trend by a factor of 2. We combined simulated trends in PM 2.5 concentrations with an exposure–response function to estimate that reductions in PM 2.5 concentrations over this period have reduced PM 2.5 -attributable premature mortality across China by 150 000 deaths yr −1 .
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 | 0,001 |
| Bibliométrie | 0,000 | 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) | 0,001 | 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 ».