Impacts of meteorology and emission reductions on haze pollution during the lockdown in the North China Plain: Insights from six-year simulations
Notice bibliographique
Résumé
Abstract. Haze events across the North China Plain (NCP) during the COVID-19 lockdown have highlighted the complexities of air quality management in the face of reduced human activity. While previous studies have focused primarily on the atmospheric chemistry processes under anomalous weather conditions, interactions between air pollutants, atmospheric chemistry, and their responses to emissions and meteorological factors remain underexplored. Here, we utilized the WRF-Chem model to assess the impact of abrupt emission reductions and meteorological conditions on PM2.5 levels across the NCP. By comparing simulations sensitive to meteorological conditions with climatology averaged over 2015–2019 and considering the sudden decrease in anthropogenic emissions due to the lockdown, we identified significant regional disparities. In the Northern NCP (NNCP), adverse meteorological conditions negated the benefits of emission reductions, leading to a net increase in PM2.5 levels by 30 to 60 μg m-3 during haze episodes. Conversely, the Southern NCP (SNCP) experienced a decrease in PM2.5 levels attributed to favourable meteorological conditions combined with emission reductions, with decreases ranging from 20 to 40 μg m-3 during the same periods. Our results highlight the critical role of meteorological conditions in modulating the effects of emission reductions, particularly in regions like the NNCP, where adverse weather can significantly counteract the benefits of reduced emissions. This study provides valuable insights into the complex interactions between emissions, meteorology, and air quality, underscoring the necessity of integrated approaches that address emissions and atmospheric dynamics.
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 | 0,001 |
| 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 ».