MétaCan
Menu
← Retour à la cohorte
Enregistrement W4232058144 · doi:10.5194/acp-2021-433

Response of particle number concentrations to Clean Air Action: Lessons from the first long-term aerosol measurements in a typical urban valley, West China

2021· preprint· en· W4232058144 sur OpenAlexaff
Suping Zhao, Yu Ye, Jianglin Li, Daiying Yin, Shaofeng Qi, Dahe Qin

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueAir Quality and Health Impacts
Établissements canadiensScience North
Organismes subventionnairesYouth Innovation Promotion AssociationGuangzhou Science and Technology Program key projectsYouth Innovation Promotion Association of the Chinese Academy of SciencesNational Natural Science Foundation of China
Mots-clésParticle numberRange (aeronautics)Particle sizeEnvironmental scienceParticle (ecology)Atmospheric sciencesCluster (spacecraft)AerosolNucleationMass concentration (chemistry)PhysicsChemistryMaterials scienceMeteorologyPlasmaBiology

Résumé

récupéré en direct d'OpenAlex

Abstract. The strictest ever Clean Air Action (CAA) has been implemented by Chinese government since 2013 to alleviate the severe haze pollution. The PM2.5 mass concentration was found to be largely reduced in response to emission mitigation policies, but response of particle number concentrations (PNCs) to CAA was less evaluated in the previous studies, which may be largely different from PM2.5 mass due to newly formed particle impacts. In this work, the first in-situ observation of particle number size distributions (PNSDs) during 2012–2019 in urban Lanzhou was used to analyze long-term PNCs variations and CAA impacts. The average number of particles in nucleation (N13–25, particle number in the size range of 13–25 nm), Aitken (N25–100, particle number in the size range of 25–100 nm) and accumulation (N100–800, particle number in the size range of 100–800 nm) modes were respectively 2514.0 cm−3, 10768.7 cm−3, and 3258.4 cm−3, and N25–100 accounted for about 65.1 % of total PNCs during the campaign. K-means clustering technique was used to classify the hourly mean PNSDs into six clusters, and each cluster corresponded to a specific source and influencing factor. The polluted clusters governed the winter PNCs before 2016, and their occurrence was less and less frequent after 2016, which was largely dominated by reduction in primary emissions. However, the contribution of new particle formation (NPF) events to summer N13–25 decreased from 50 % to about 10 % during 2013 to 2015, and then increased to reach around 60 % in 2019. The trends of size-resolved PNCs for each cluster were quantified by Theil-Sen regression. The size-segregated PNCs exhibited downward trends for all clusters during 2012–2015, especially in spring. The annual relative slopes of spring PNCs varied from −54.7 % to −17.2 %, −42.6 % to −14.1 %, and −40.7 % to −17.5 % per year for 13–25, 25–100, and 100–800 nm size ranges, and the reduction in the polluted clusters was much larger than NPF clusters. The ultrafine particle number was increased and the amplitude was much greater during 2016–2019. The annual relative slopes of N13–25 varied between 8.0 % in fall and 135.5 % in spring for NPF cluster. In response to CAA, the increased daytime net radiation, higher ambient temperature and lower relative humidity at noon for NPF events also could partly explain the higher N13–25 induced by the more frequent nucleation events after 2016, especially in spring. The air mass were mainly from the adjacent regions of urban Lanzhou and less affected by long-range transport for NPF events, and the thus particles were not easily grown by coagulation during transport processes, which was helpful for occurrence of NPF events. Therefore, some effective control measures cooperatively controlled particle number and mass should be took for the Chinese megacities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,141
Score d'incertitude au seuil0,280

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,134
Tête enseignante GPT0,370
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAir Quality and Health Impacts→Travaux en français237 207→