Chemical source profiles of fine particles for five different sources in Delhi
Notice bibliographique
Résumé
Increasing emissions from sources such as construction and burning of biomass from crop residues, roadside and municipal solid waste have led to a rapid increase in the atmospheric concentrations of fine particulate matter (≤2.5 μm; PM2.5) over many Indian cities. Analyses of their chemical profiles are important for receptor models to accurately estimate the contributions from different sources. We have developed chemical source profiles for five important pollutant sources - construction (CON), paved road dust (PRD), roadside biomass burning (RBB), solid waste burning (SWB), and crop residue burning (CPB) - during three intensive campaigns (winter, summer and post-monsoon) in and around Delhi. We obtained chemical characterisations of source profiles incorporating carbonaceous material such as organic carbon (OC) and elemental carbon (EC), water-soluble ions (F−, Cl−, NO2−, NO3−, SO42−, PO43−, Na+ and NH4+), and elements (Mg, Al, Si, P, S, Cl, K, Ca, Ti, V, Cr, Mn, Fe, Co, Ni, Cu, Zn, As, Br, Rb, Sr, Ba, and Pb). CON was dominated by the most abundant elements, K, Si, Fe, Al, and Ca. PRD was also dominated by crustal elements, accounting for 91% of the total analysed elements. RBB, SWB and CPB profiles were dominated by organic matter, which accounted for 94%, 86.2% and 86% of the total PM2.5, respectively. The database of PM emission profiles developed from the sources investigated can be used to assist source apportionment studies for accurate quantification of the causes of air pollution and hence assist governmental bodies in formulating relevant countermeasures.
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 | 0,000 |
| 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 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 ».