Positive effects of COVID-19 lockdown on air quality of industrial cities (Ankleshwar and Vapi) of Western India
Notice bibliographique
Résumé
Abstract On January 30, 2020, India recorded its first COVID-19 positive case in Kerala, which was followed by a nationwide lockdown extended in four different phases from 25th March to 31st May, 2020, and an unlock period thereafter. The lockdown has led to colossal economic loss to India; however, it has come as a respite to the environment. Utilizing the air quality index (AQI) data recorded during this adverse time, the present study is undertaken to assess the impact of lockdown on the air quality of Ankleshwar and Vapi, Gujarat, India. The AQI data obtained from the Central Pollution Control Board was assessed for four lockdown phases. We compared air quality data for the unlock phase with a coinciding period in 2019 to determine the changes in pollutant concentrations during the lockdown, analyzing daily AQI data for six pollutants (PM 10 , PM 2.5 , CO, NO 2 , O 3 , and SO 2 ). A meta-analysis of continuous data was performed to determine the mean and standard deviation of each lockdown phase, and their differences were computed in percentage in comparison to 2019; along with the linear correlation analysis and linear regression analysis to determine the relationship among the air pollutants and their trend for the lockdown days. The results revealed different patterns of gradual to a rapid reduction in most of the pollutant concentrations (PM 10 , PM 2.5, CO, SO 2 ), and an increment in ozone concentration was observed due to a drastic reduction in NO 2 by 80.18%. Later, increases in other pollutants were also observed as the restrictions were eased during phase-4 and unlock 1. The comparison between the two cities found that factors like distance from the Arabian coast and different industrial setups played a vital role in different emission trends.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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) | 0,000 | 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 ».