Indirect Positive Effects of the COVID-19 Pandemic on Air Pollution in Canadian CMAs/CAs
Notice bibliographique
Résumé
<p>This paper investigated how the restrictions during the COVID-19 pandemic have affected air pollution within Canadian Census Metropolitan Areas/Census Agglomerations (CMAs/CAs) and provinces/territories in 2020 compared to 2019 (pre-pandemic). It explored the connection based on emission levels of two air pollutants (NO and PM ) obtained from the National Air Pollution 2 2.5 Surveillance Program (NAPS) website, pandemic restrictions in Canadian cities obtained from COVID19 Government Measures Dataset, and socio-demographic factors from the 2016 Census which are the pollutants causes. This secondary data compiled in Excel database was used within multiple analyses which included, descriptives, pairwise t-test, correlation, stepwise regression done in SPSS, and using GIS methods to map the final results. The results showed a reduction in NO emi2sions in many CMAs/CAs and provinces, but increased PM emiss2.5s in 31 CMAs/CAs and 8 provinces. Reductions in NO 2nd PM wer2.5ost prominent in March and April of 2020 when the most stringent COVID-19 restrictions were implemented. The overall results showed a small but significant connection between the air pollutants and the few socio-demographic variables chosen through the stepwise technique (i.e. commuting time, public transit, and work location) contributed to the connection. These results corroborate findings from previous studies on air pollution and mobility restrictions and indicate that strategies such as remote work, and conversion to environmentally friendly modes of transportation (hybrid vehicles) can be leveraged to reducing NO and PM emissions in the future. These strategies 2 2.5 could especially be beneficial to the provinces and CMAs/CAs with high PM emissi2.5. Lack of data limited how thorough the analysis of the topic could be conducted.</p>
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».