Source apportionment of ambient PM10 collected at three sites in an urban-industrial area with multi-time resolution factor analyses
Notice bibliographique
Résumé
Chemical speciation data for PM10, collected for annual trend analyses of health-relevant species, at three receptor sites in a highly industrialized area (IJmond) in the Netherlands were used in a multi-time resolution receptor model (ME-2) to identify the PM10 sources in this area. Despite the available data not being optimized for receptor modelling, five-factor solutions were obtained for all sites based on independent PMF analysis on PM10 data from the three sites (IJM, WAZ and BEV). Four factors were common to all three sites: nitrate-sulphate (average percentage contributions to PM10: IJM: 35.3 %, WAZ: 37.7 %, and BEV: 36.3 %); sea salt (20.2 %, 23.7 %, 15.2 %); industrial (8.1 %, 11.0 %, 18.1 %) and brake wear/traffic (31.4 %, 21.2 %, 20.6 %). At WAZ, a local/site-specific factor containing most of the PAH measurements was found (6.4 %) while a crustal matter factor was resolved at IJM (7.6 %) and BEV (9.8 %). Additionally, sludge-drying was a potential source of the marker species in the industrial factor at WAZ. Bootstrapping (BS) and factor displacement (DISP) were applied to the factor profiles in this work for error estimation. In general, the factor profiles at all three sites had very small intervals from both BS and DISP methods. To our knowledge, this is the first time DISP was applied in a complex model such as the multi-time resolution model. Most of the measured metal and PAH concentrations found in the IJmond area during the 2017–2019 period had local sources, with significant contributions from several processes related to the steel industry. This study shows that available detailed PM10 chemical speciation data, although primarily collected for annual trend analyses of health-relevant species, could also be used in receptor modelling by applying a multi-time framework. We propose general recommendations for the optimization of the measurement strategy for source apportionment of PM in areas with similar urban-industrial land use.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 | 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 ».