Analysis of PM Concentrations in Turin: Annual Trend and Monthly and Daily Mean Concentration
Notice bibliographique
Résumé
As urban populations continue to grow, understanding the dynamics of particulate matter (PM) concentrations in these areas is increasingly important.This study investigated the temporal variations of PM1, PM2.5, and PM10 in the urban area of Turin, located in the Po Valley, Italy, utilizing high-resolution data from a monitoring campaign over a four-year period (2020)(2021)(2022)(2023)(2024), focusing on identifying seasonal and weekly variations.The results revealed significant differences in PM concentrations between different seasons.The findings reveal a strong seasonality, with higher PM levels in winter due to domestic heating, traffic emissions, and adverse meteorological conditions, while summer months show lower concentrations.Winter concentrations often exceed WHO air quality guidelines, with PM10 levels surpassing EU annual thresholds, emphasizing the need for stricter emission control policies during colder months when pollution poses significant health risks.Weekly fluctuations in PM concentrations were also observed, with peaks mid-week and at the end of each week. These fluctuations are likely influenced by human activities and meteorological factors, suggesting that interventions targeting specific periods could help reduce pollution levels. The use of the Palas Fidas 200S instrument, with its high temporal resolution, allowed for detailed examination of daily and hourly trends, offering insights into the dynamics of PM concentrations. These findings are critical for epidemiological studies examining the link between air pollution and public health outcomes, particularly cardiovascular diseases.This study aims to visualize an entire dataset, which is then useful as the first step in future studies that will correlate the data shown with epidemiological data, providing a comprehensive understanding of the effects of air pollution on human health.With this study, therefore, we want to visualize the importance of having and making public a dataset of many consecutive years in order to better characterize the urban environment in question (city of Turin) thus giving the scientific community the possibility to visualize trends over the years. .
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 ».