Identifying air pollution characteristics, source apportionment methods, and air quality modeling approaches in transport hub settings: State-of-play and future directions
Notice bibliographique
Résumé
This review synthesises the current state-of-the-art in air quality (AQ) research relating to current monitoring and modeling methods focused on transport hub (TH) settings. Air pollution characteristics from monitoring studies revealed that higher concentrations of PM 2 . 5 (12.4-147.8 μg/m 3 ) and SO 2 (54.1-78.3 μg/m 3 ) dominated AQ issues in ports. Train terminals were dominated by NO 2 (52.2-472.5 μg/m 3 ), with VOCs (123-973 ppb) and UFPs (5×10 3 to 4.8×10 6 particles/cm 3 ) considerably higher at airports. Bivariate polar plots, data filtration techniques, and regression models were considered relatively simple, resource-efficient, and effective source apportionment methods to assess AQ (SO 2 , NO 2 and UFP) from sources in and around THs. Speciated receptor modelling is more expensive but is appropriate for complex environments to evaluate multi-pollutant (PM and VOCs) conditions. Gaussian models demonstrated better agreement than Eulerian and Lagrangian models at airports, with Eulerian models slightly outperforming Gaussian models in port settings. Additionally, Eulerian was the most effective methods to model secondary pollutants and over long distances. Limited AQ research focused on small-scale semi-enclosed THs, such as bus and train terminals, with an additional knowledge gap of indoor AQ in port and airport buildings. Improved characterisation of pollutants like VOCs, BC and PAHs in THs would benefit climate and health impact assessments, with the integration of AI offering a means to enhance monitoring and management AQ at THs in the future.
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 | 0,014 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».