Spatiotemporal Analysis of BTEX and PM Using Me-DOAS and GIS in Busan’s Industrial Complexes
Notice bibliographique
Résumé
Rapid industrialization and urbanization have progressed in Korea, yet public attention to hazardous pollutants emitted from industrial complexes remains limited. With the increasing coexistence of industrial and residential areas, there is a growing need for real-time monitoring and management plans that account for the rapid dispersion of hazardous air pollutants (HAPs). In this study, we conducted spatiotemporal data collection and analysis for the first time in Korea using real-time measurements obtained through mobile extractive differential optical absorption spectroscopy (Me-DOAS) mounted on a solar occultation flux (SOF) vehicle. The measurements were conducted in the Saha Sinpyeong–Janglim Industrial Complex in Busan, which comprises the Sasang Industrial Complex and the Sinpyeong–Janglim Industrial Complex. BTEX compounds were selected as target volatile organic compounds (VOCs), and real-time measurements of both BTEX and fine particulate matter (PM) were conducted simultaneously. Correlation analysis revealed a strong relationship between PM10 and PM2.5 (r = 0.848–0.894), indicating shared sources. In Sasang, BTEX levels were associated with traffic and localized facilities, while in Saha Sinpyeong–Janglim, the concentrations were more influenced by industrial zoning and wind patterns. Notably, inter-compound correlations such as benzene–m-xylene and p-xylene–toluene suggested possible co-emission sources. This study proposes a GIS-based, three-dimensional air quality management approach that integrates variables such as traffic volume, wind direction, and speed through real-time measurements. The findings are expected to inform effective pollution control strategies and future environmental management plans for industrial complexes.
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 | 0,001 |
| 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 ».