Global fine-scale changes in ambient NO2 during COVID-19 lockdowns
Notice bibliographique
Résumé
Abstract Nitrogen dioxide (NO 2 ) is an important contributor to air pollution and can adversely affect human health 1–9 . A decrease in NO 2 concentrations has been reported as a result of lockdown measures to reduce the spread of COVID-19 10–20 . Questions remain, however, regarding the relationship of satellite-derived atmospheric column NO 2 data with health-relevant ambient ground-level concentrations, and the representativeness of limited ground-based monitoring data for global assessment. Here we derive spatially resolved, global ground-level NO 2 concentrations from NO 2 column densities observed by the TROPOMI satellite instrument at sufficiently fine resolution (approximately one kilometre) to allow assessment of individual cities during COVID-19 lockdowns in 2020 compared to 2019. We apply these estimates to quantify NO 2 changes in more than 200 cities, including 65 cities without available ground monitoring, largely in lower-income regions. Mean country-level population-weighted NO 2 concentrations are 29% ± 3% lower in countries with strict lockdown conditions than in those without. Relative to long-term trends, NO 2 decreases during COVID-19 lockdowns exceed recent Ozone Monitoring Instrument (OMI)-derived year-to-year decreases from emission controls, comparable to 15 ± 4 years of reductions globally. Our case studies indicate that the sensitivity of NO 2 to lockdowns varies by country and emissions sector, demonstrating the critical need for spatially resolved observational information provided by these satellite-derived surface concentration estimates.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».