Characteristics and Meteorological Factors of Severe Haze Pollution in China
Notice bibliographique
Résumé
A severe haze pollution incident caused by unfavorable weather conditions and a northern air mass occurred in eastern, northern, northwestern, and southwestern China from January 15 to January 22, 2018. To comparatively analyze variations in PM2.5 pollution, hourly monitoring data and 24 h meteorological data were collected. Air quality observations revealed large spatiotemporal variation in PM2.5 concentrations in Handan, Zhengzhou, Xi’an, Yuncheng, Chengdu, Xiangyang, and Jinan. The daily mean PM2.5 concentrations ranged from 111.35 to 227.23 μg·m−³, with concentration being highest in Zhengzhou. Hourly mean PM2.5 concentration presented multiple U-shaped curves, with higher values at night and lower values during the day. The ratios of PM2.5 to PM10 were large in target cities and the results of multiscale geographic weighted regression model (MGWR) and Pearson correlation coefficients showed that PM2.5 had a significant positive or negative correlation with PM10, CO, NO2, and SO2. The concentration of PM2.5 was closely related to the combustion of fossil fuels and other organic compounds, indicating the large contribution of secondary aerosols to PM2.5 concentrations. The analysis of meteorological conditions showed that low temperature, low wind speed, and high relative humidity could aggravate the accumulation of regional pollutants in winter. Northwestern trajectory clusters were predominant contributions except in Jinan, and the highest PM2.5 concentrations in target cities were associated with short trajectory clusters in winter. The potential sources calculated by Weight Potential Source Contribution Function (WPSCF) and Weight Concentration-Weighted Trajectory (WCWT) models were similar and the highest values of the WPSCF (>0.5) and the WCWT (>100 μg·m−³) were mainly distributed in densely populated, industrial, arid, and semiarid regions.
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) | 0,000 | 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 ».