Effect of Biomass Burning, Diwali Fireworks, and Polluted Fog Events on the Oxidative Potential of Fine Ambient Particulate Matter in Delhi, India
Notice bibliographique
Résumé
We investigated the influence of biomass burning (BURN), Diwali fireworks, and fog events on the ambient fine particulate matter (PM 2.5 ) oxidative potential (OP) during the postmonsoon (PMON) and winter season in Delhi, India. The real-time hourly averaged OP (based on a dithiothreitol assay) and PM 2.5 chemical composition were measured intermittently from October 2019 to January 2020. The peak extrinsic OP (OP v: normalized by the volume of air) was observed during the winter fog (WFOG) (5.23 ± 4.6 nmol·min –1 ·m –3 ), whereas the intrinsic OP (OP m; normalized by the PM 2.5 mass) was the highest during the Diwali firework-influenced period (29.4 ± 18.48 pmol·min –1 ·μg –1 ). Source apportionment analysis using positive matrix factorization revealed that traffic + resuspended dust-related emissions (39%) and secondary sulfate + oxidized organic aerosols (38%) were driving the OP v during the PMON period, whereas BURN aerosols dominated (37%) the OP v during the WFOG period. Firework-related emissions became a significant contributor (∼32%) to the OP v during the Diwali period (4 day period from October 26 to 29), and its contribution peaked (72%) on the night of Diwali. Discerning the influence of seasonal and episodic sources on health-relevant properties of PM 2.5, such as OP, could help better understand the causal relationships between PM 2.5 and health effects in India.
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 | 0,000 |
| 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 | 0,001 | 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 ».