Health Risk Assessment of PM2.5-bound Components in Beijing, China during 2013–2015
Notice bibliographique
Résumé
Risk assessment methods of the US Environment Protection Agency (U.S. EPA) were employed to estimate lifetime cancer risk in Beijing using the following fine particulate matter (PM2.5) components: six elements and 16 U.S. EPA priority polycyclic aromatic hydrocarbons (PAHs), and lifetime non-cancer hazard quotients (HQ) using 11 elements, based on data collected in Beijing during 2013–2015. The three-year average PM2.5 mass concentration was 82 µg m–3. Both lifetime cancer risk (1.9E-4) from exposure to ambient PM2.5-bound elements and PAHs and non-cancer HQ (18) from exposure to ambient PM2.5-bound elements in Beijing were much higher than the corresponding U.S. EPA acceptable levels. Cancer risks by source were, in descending order, road dust (7.3E-5), fossil fuel combustion (4.4E-5), vehicle exhaust (3.8E-5), soil dust (8.4E-6), metal processing (8.2E-6), secondary sulphur (8.0E-6), and biomass burning (6.4E-6). Cancer risks by PM2.5 component were, in descending order, As (1.1E-4), Cr(VI) (3.4E-5), total PAHs (1.5E-5), Pb (1.1E-5), Co (8.4E-6), Ni (3.9E-6), and Cd (3.9E-6). HQ by PM2.5-bound elements were, in descending order, Cl (14), As (1.8), Pb (0.94), P (0.81), Cd (0.22), Mn (0.22), Ni (0.18), Ba (0.1), Cr(VI) (0.03), Co (0.01), and Se (0.002). Fossil fuel combustion and vehicle exhaust were the top two sources, accounting for 77% of total HQ. HQ by target organ were, in descending order, respiratory (15), reproductive (1.8), nervous (1.2), renal (0.22), fetus (0.1), and alimentary system (0.002). The seasonal variations in PM2.5 mass concentrations, risks, as well as source and element contributions were largely due to increased coal combustion in winter.
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 | 0,006 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».