Characterization of PM2.5 Carbonaceous Components in a Typical Industrial City in China under Continuous Mitigation Measures
Notice bibliographique
Résumé
The goals of the “dual carbon” program in China are to implement a series of air pollution policies to reduce the emission of carbon-bearing particulate matter (PM). Following improvements in the reduction in carbon emissions in Handan City, China, fine particulate matter (PM2.5) was collected in the winters from 2016 to 2020 to characterize the concentrations and sources of carbonaceous components in PM2.5. Trend analysis revealed that both organic carbon (OC) and elemental carbon (EC) concentrations significantly decreased. The proportion of total carbon aerosol (TCA) in PM2.5 decreased by 47.0%, highlighting the effective reduction in carbon emissions. Secondary organic carbon (SOC) concentrations increased from 2016 (12.86 ± 14.10 μg·m−3) to 2018 (36.76 ± 21.59 μg·m−3) and then declined gradually. SOC/OC was larger than 67.0% from 2018 to 2020, implying that more effective synergistic emission reduction measures for carbonaceous aerosol and volatile organic compounds (VOCs) were needed. In the winters from 2016 to 2020, primary organic carbon (POC) concentrations reduced by 76.1% and 87.6% under a light/moderate pollution period (LP) and heavy/severe pollution periods (HPs), respectively. The TCA/PM2.5 showed a decreasing trend under LP and HP conditions, decreasing by 42.1% and 54.7%, respectively. Source analysis revealed that carbonaceous components were mainly from biomass burning, coal combustion and automotive exhaust emissions in the winters of 2016 and 2020. OC/EC and K+/EC analysis pointed out that air pollutant reduction measurements should focus on rectification biomass fuels in the next stage. Compared with 2016, the contributions of automotive exhaust emissions decreased in 2020. OC and EC concentrations decreased due to control measures on automotive exhaust emissions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».