Adoption of low-carbon fuels reduces race/ethnicity disparities in air pollution exposure in California
Notice bibliographique
Résumé
An environmental justice (EJ) analysis shows that adoption of low-carbon energy sources in the year 2050 reduces the race/ethnicity disparity in air pollution exposure in California by as much as 20% for PM2.5 mass and by as much as 40% for PM0.1 mass. An ensemble of six different energy scenarios constructed using the energy-economic optimization model CA-TIMES were evaluated in future years. Criteria pollutant emissions were developed for each energy scenario using the CA-REMARQUE model using 4 km spatial resolution over four major geographic areas in California: the greater San Francisco Bay Area including Sacramento (SFBA&SAC), the San Joaquin Valley (SJV), Los Angeles (LA), and San Diego (SD). The Weather Research & Forecasting (WRF) model was used to predict future meteorology fields by downscaling two different climate scenario (RCP4.5 and RCP8.5) generated by two different GCMs (the Community Climate System Model and the Canadian Earth Systems Model). Simulations were performed over 32 weeks randomly selected during the 10 year window from the year 2046 to 2055 to build up a long-term average in the presence of ENSO variability. The trends associated with low-carbon energy adoption were relatively stable across the ensemble of locations and scenarios. Deeper reductions in the carbon intensity of energy sources progressively reduced exposure to PM2.5 mass and PM0.1 mass for all California residents. The greater adoption of low-carbon fuels also reduced the racial disparity in the PM exposure. The three energy scenarios that achieved an ~80% reduction in GHG emissions relative to 1990 levels simultaneously produced the greatest reduction in PM exposure for all California residents and the greatest reduction in the racial disparity of that exposure. These findings suggest that the adoption of low-carbon energy can improve public health and reduce racial disparities through an improvement in air quality.
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 | 0,000 | 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) | 0,001 | 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 ».