A teleconnection between sea surface temperature in the central and eastern Pacific and wintertime haze variations in southern China
Notice bibliographique
Résumé
Abstract Haze pollution in recent decades varies largely with both pollutant emissions and meteorological conditions. Using the discrete wavelet transform (DWT) method, we separate these two influences on haze variations in southern China in the time series of haze observations from 1981 to 2011. This helps us to identify the meteorological influence on interannual variation in haze occurrences in southern China and thus observe a teleconnection between the thermal forcing of sea surface temperature (SST) in the central and eastern Pacific and wintertime haze occurrences in southern China ( R = − 0.51, p < 0.05). The total haze days in winter is highest among all seasons over southern China and the climotological mean of number of winter haze days is 7.5 days for the region. Compared with the normal winters, the regional mean of the number of haze days in southern China is reduced by ~ 5 days in the winters with above-normal Niño3.4 SST (during El Niño phases), but increased by ~ 4 days in the winters with below-normal Niño3.4 SST (during La Niña phases). In the warm SST winters, the cumulative consequences of strong winds, more precipitation, and a more unstable atmosphere with an “upper colder and lower warmer” vertical pattern leading to more ascendance can all hinder haze formation, whereas in the cold SST winters, opposite meteorological conditions are favorable to haze formation. These meteorological conditions induced by anomalous SST make wintertime haze pollution in southern China vary from year to year to a large extent. This study suggests a strong sensitivity of winter haze occurrences in southern China to the viability of the SST in the central and eastern Pacific.
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 | 0,001 |
| 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 ».