Substantial Differences in Source Contributions to Carbon Emissions and Health Damage Revealed by Adjoint Modeling
Notice bibliographique
Résumé
China's dual strategy to mitigate climate change and air pollution is constrained by insufficient data on the distinct sources of carbon emissions and associated health damages. This study utilizes adjoint emission sensitivity modeling with the CMAQ Adjoint model, alongside an exposure-response model and a multiregional input-output model, to perform high-resolution source attribution across 53 production sectors and fuel/process combinations, as well as 42 consumption economic sectors. Our analysis uncovers significant discrepancies between sources of CO2 emissions and PM2.5-related premature mortality, with monetized health damages surpassing climate impacts in over half of the subsectors examined. Additionally, more than one third of the CO2 emissions and health damages are outsourced from well-developed coastal provinces to less-developed inland provinces, though the regions absorbing these burdens differ geographically. CO2 emissions are primarily shifted to the northwestern region, which relies heavily on coal as an energy source, while PM2.5-related deaths are concentrated in the central region, the heavy industrial hub of China with high population densities. These findings demonstrate that high population densities and lower adoption of control technologies exacerbate health damages, particularly in downstream provinces that bear the majority of emission leakages. The CMAQ Adjoint model’s capability to evaluate the marginal benefits of emission reductions at a granular level enabled precise source attribution by incorporating emission profiles, population density, and atmospheric conditions. This research underscores the critical advantage of adjoint modeling in integrating health and climate impacts, advocating for tailored mitigation strategies that address emissions from both production and consumption sides to achieve balanced decarbonization and effective health risk mitigation in China.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».