Improving Urban Air Quality: Evaluation of Electric Vehicles and Nature-Based Solutions as Source and Sink Abatement Strategies for Ozone Pollution in Toronto, ON, Canada
Notice bibliographique
Résumé
In this study, two air pollution abatement strategies are examined, focusing on sources and sinks. These include the reduction in ozone precursors (source) and impact of nature-based solutions (sink). For the first abatement strategy (source), two waves of COVID-19 lockdown periods are leveraged as proxies for the potential abatement of air quality pollutants in Toronto, Ontario, Canada, that could occur through electric vehicle deployment. Ground level ozone (O3) and its precursors (NO, NO2), were examined from April to December 2020, during the first two pandemic lockdown periods in Toronto. An ozone weekend effect framework was used to evaluate changes. Results showed that ozone precursors were the lowest of any of the preceding 10 years for both weekdays and weekends; however, ozone concentrations did not have a corresponding decrease but rather had a marked increase for both weekdays and weekends. These findings reflect reduced vehicular traffic and the ozone chemistry in an NOx-saturated (VOC-limited) environment. For the second abatement strategy (sink), a comparison of surface NO2 observations and NO2 satellite data showed the benefits of nature-based solutions as a sink abatement strategy, with the 2020 reduction amplified at the surface. Given the lack of ozone abatement realized through source reduction, deployment of nature-based solutions as a pollutant sink may present a more effective strategy for ground-level ozone abatement.
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 | 0,000 |
| 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 ».