The impact of the COVID-19 lockdown on greenhouse gases: a multi-city analysis of in situ atmospheric observations
Notice bibliographique
Résumé
Abstract We tested the capabilities of urban greenhouse gas (GHG) measurement networks to detect abrupt changes in emissions, such as those caused by the roughly 6-week COVID-19 lockdown in March 2020 using hourly in situ GHG mole fraction measurements from six North American cities. We compared observed changes in CO2, CO, and CH4 for different mole fraction metrics (diurnal amplitude, vertical gradients, enhancements, within-hour variances, and multi-gas enhancement ratios) during 2020 relative to previous years for three periods: pre-lockdown, lockdown, and ongoing recovery. The networks showed decreases in CO2 and CO metrics during the lockdown period in all cities for all metrics, while changes in the CH4 metrics were variable across cities and not statistically significant. Traffic decreases in 2020 were correlated with the changes in GHG metrics, whereas changes in meteorology and biology were not, implying that decreases in the CO2 and CO metrics were related to reduced emissions from traffic and demonstrating the sensitivity of these tower networks to rapid changes in urban emissions. The enhancements showed signatures of the lockdowns more consistently than the three micrometeorological methods, possibly because the urban measurements are collected at relatively high altitudes to be sensitive to whole-city emissions. This suggests that urban observatories might benefit from a mixture of measurement altitudes to improve observational network sensitivity to both city-scale and more local fluxes.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».