Impact of COVID-19 lockdown on air quality of Sri Lankan cities
Notice bibliographique
Résumé
The COVID-19 pandemic has led to the complete lockdown of many cities worldwide. Lockdowns have significantly changed human behaviour, such as fewer or no industrial activities and limited road and air transport, affecting the environment. In this study, we aimed to assess the variability and trends of PM2.5 (mass concentration of airborne particulate matter < 2.5m) and carbon monoxide (CO) before and during the COVID-19 lockdown period in Sri Lanka. Data were collected in "Urban Background", "Public & Mixed Residential", and "Primary Residential" areas using small sensor technology, "KOALA" air quality sensor units, from five locations, three in Kandy, and two in Colombo city. Daily averages (24h) and daytime averages (08:00 AM to 8:00 PM) were calculated for the period before (before March 20 th ) and during (March 20 th to May 10 th ) the lockdown. Air pollutions level before & during COVID-19 lockdown were compared, then Mann-Kendall and Sen's slope tests were performed to determine trends of PM2.5 and CO, and the magnitude of the trend. Meteorological parameters were fairly similar before and during both cities' lockdown periods, while both PM2.5 and CO concentrations declined. The highest average reductions of PM2.5 and CO were observed in Colombo's "Urban Background" area (52.4% and 46.7%, respectively). In Kandy, "Urban Background" site had a higher reduction of PM2.5 and CO (30.2% and 41.2%, respectively), compared to "Primary Residential" (10% and 9%, respectively). The daily averages of the pollutants' concentrations were higher before the lockdown period compared to during. Overall, a significant downward trend was observed of air pollutants over the entire study period. In Sri Lanka, the COVID-19 lockdown improved air quality significantly in urban areas.
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 | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».