Notice bibliographique
Résumé
Abstract. The COVID-19 lockdown had a large impact on anthropogenic emissions of air pollutants and particularly on nitrogen dioxide (NO2). While the overall NO2 decline over some large cities is well-established, understanding the details remains a challenge since multiple source categories contribute. In this study, a new method of isolation of three components (background NO2, NO2 from urban sources, and NO2 from industrial point sources) is applied to estimate the impact of the COVID-19 lockdown on each of them. The approach is based on fitting satellite data by a statistical model with empirical plume dispersion functions driven by a meteorological reanalysis. Population density and surface elevation data as well as coordinates of industrial sources were used in the analysis. The tropospheric NO2 vertical column density (VCD) values measured by the Tropospheric Monitoring Instrument (TROPOMI) on board the Sentinel-5 Precursor over 261 urban areas for the period from 16 March to 15 June 2020 were compared with the average VCD values for the same period in 2018 and 2019. While the background NO2 component remained almost unchanged, the urban NO2 component declined by −18 % to −28 % over most regions. India, South America, and a part of Europe (particularly, Italy, France, and Spain) demonstrated a −40 % to −50 % urban emission decline. In contrast, the decline over urban areas in China, where the lockdown was over during the analysed period, was, on average, only -4.4±8 %. Emissions from large industrial sources in the analysed urban areas varied greatly from region to region from -4.8±6 % for China to -40±10 % for India. Estimated changes in urban emissions are correlated with changes in Google mobility data (the correlation coefficient is 0.62) confirming that changes in traffic were one of the key elements in the decline in urban NO2 emissions. No correlation was found between changes in background NO2 and Google mobility data. On the global scale, the background and urban components were remarkably stable in 2018, 2019, and 2021, with averages of all analysed areas all being within ±2.5 % and suggesting that there were no substantial drifts or shifts in TROPOMI data. The 2020 data are clearly an outlier: in 2020, the mean background component for all analysed areas (without China) was -6.0%±1.2 % and the mean urban component was -26.7±2.6 % or 20σ below the baseline level from the other years.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,027 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,362 | 0,313 |
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 source (Gemma direct ou Codex distillé), 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 ».