Using Tower-based Observational Networks to Assess the Impact of COVID-19 Lockdowns on Greenhouse Gas Emissions in Six North American Cities
Notice bibliographique
Résumé
The onset of the COVID-19 pandemic in North America and the lockdowns that followed in March 2020 brought forth a rapid change to societal functions disrupting many aspects of normal life, including the greenhouse gas emissions associated with them. In this work, we examine the capabilities of tower networks established in six North American cities in quantifying the change in these emissions. Influence functions, which relate tower-based observational sites to their upwind source regions, were created for sites in Los Angeles, the D.C/Baltimore urban corridor, Indianapolis, Salt Lake City, Boston, and Toronto for the months of February-April of 2017-2020, and model CO2 enhancements were generated by multiplying the influence functions by regional inventories. Scaling factors are assigned to the city emissions to minimize the difference between observed and modeled afternoon CO2 enhancements in 15 day intervals. Scaling factors from the 2020 period are then compared directly to those from the 2017-2019 timeframe to calculate a relative change in the emissions during the COVID-lockdown timeframe. Results across all six cities show a consistent message; by the end of March 2020, CO2 emissions decreased by an average of 34% relative to the same 2017-2019 timeframe. This decrease matches values observed from bottom-up inventories during the same period. A similar technique is performed for methane across 4 cities with more variable trends across cities. The results of this paper demonstrate the ability to utilize simple approaches to detect and quantify temporal changes in emissions using a tower network.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».