Impact of tree growth form on temporal and spatial patterns of particulate matter with various particle sizes in urban street canyons
Notice bibliographique
Résumé
Trees play a vital role in reducing street-level particulate matter (PM) pollution in metropolitan areas. However, the optimal tree growth type for maximizing the retention of various sizes of PM remains uncertain. This study assessed the PM reduction capabilities of evergreen and deciduous broadleaf street trees, focusing on how leaf phenology influences the dispersion of pollutants across particle sizes. We collected data on six PM size fractions from 72 sites along streets lined with either evergreen or deciduous broadleaf trees in Wuhan, China, during the summer and winter of 2017–2018. Evergreen trees demonstrated superior PM reduction capabilities compared to deciduous trees, with evergreen street canyons showing 27.2% and 12.6% lower PM 2.5 and PM 10 concentrations in summer, and 13% and 5.5% lower concentrations in winter. During summer, evergreen streets predominantly contained fine particles (PM 1 , PM 2.5 ), posing potential health risk due to their ability to infiltrate the human respiratory system. In contrast, deciduous streets primarily harbored coarser particles (PM 4 , PM 7 , PM 10 , and total suspended particulate [TSP]). During winter, larger particles were dominant, regardless of the tree growth form. Evergreen trees showed superior PM reduction capabilities compared to deciduous trees due to their year-round leaf retention, enhanced surface properties, and denser canopies that maximize PM capture. We recommend prioritizing evergreen broadleaf trees as the primary street trees while interspersing deciduous trees at appropriate intervals. This approach will ensure that urban greenery provides maximum ecological benefits while reducing the PM concentration.
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 ».