Field measurements of indoor and community air quality in rural Beijing before, during, and after the COVID-19 lockdown
Notice bibliographique
Résumé
Background and aims The outbreak of the coronavirus (COVID-19) initiated a global prevention response to curb the spread of the virus, including a series of actions to reduce human mobility. Previous studies report reductions in outdoor PM₂.₅ associated with COVID-19 lockdown in many countries and regions. Few studies assessed the impacts of COVID-19 on local air quality in environments with diverse socioeconomic and household energy use patterns. We evaluated whether indoor and community PM₂.₅ in homes with different energy use patterns in rural Beijing, China differed before, during, and after the lockdown. Methods We deployed low-cost PM₂.₅ sensors (Plantower), calibrated with co-located filter-based PM₂.₅, to measure indoor and community air quality in 147 homes from 30 villages in Beijing in January-April, 2022. We apply mixed-effects models to assess the impact of the COVID-19 lockdown on indoor PM₂.₅ and used the random component superposition model (RCSM) to estimate the contributions of indoor and outdoor sources to indoor PM₂.₅. Results Community pollution was higher during the lockdown period (61 ± 47 μg/m³) compared with before (45 ± 35 μg/m³) and after (47 ± 37 μg/m³) the lockdown. However, we did not observe higher indoor PM₂.₅ during the lockdown (during vs. before: 98 ± 86 vs. 96 ± 83 μg/m³). Indoor-generated PM₂.₅ was lowest in homes using clean energy exclusively for heating and without smokers, and did not change significantly during the lockdown compared with homes using solid fuels. Conclusions Indoor air quality did not worsen during the COVID-19 lockdown in our rural Beijing sites, though community PM₂.₅ was higher during the lockdown. Indoor-generated PM₂.₅ in homes using clean energy exclusively for heating was low and stable, while decreased during the lockdown in homes using solid fuel, which may be due to less solid fuel burning for heating because outdoor temperatures warmed.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».