Long-range PM2.5 pollution and health impacts from the 2023 Canadian wildfires
Notice bibliographique
Résumé
Smoke from extreme wildfires in Canada adversely affected air quality in many regions in 20231,2. Here we use satellite observations, machine learning and a chemical transport model to quantify global and regional PM2.5 (particulate matter less than 2.5 μm in diameter) exposure and human health impacts related to the 2023 Canadian wildfires. We find that the fires increased annual PM2.5 exposure worldwide by 0.17 μg m–3 (95% confidence interval, 0.09–0.26 μg m–3). North America had the largest increase in annual mean exposure (1.08 μg m–3; 0.82–1.34 μg m–3), but there were also increases in Europe (0.41 μg m–3; 0.32–0.50 μg m–3) owing to long-range transport. Annual mean PM2.5 exposure in Canada increased by 3.82 μg m–3 (3.00–4.64 μg m–3). In the USA, the contribution of the Canadian fires to increased PM2.5 was 1.49 μg m–3 (1.22–1.77 μg m–3), four times as large as the contribution from the 2023 wildfires originating in the USA. We find that 354 million (277–421 million) people in North America and Europe were exposed to daily PM2.5 air pollution caused by Canadian wildfires in 2023. We estimate that 5,400 (3,400–7,400) acute deaths in North America and 64,300 (37,800–90,900) chronic deaths in North America and Europe were attributable to PM2.5 exposure to the 2023 Canadian wildfires. Our results highlight the far-reaching PM2.5 pollution and health burden that large wildfires can have in a single year. A modelling study based on satellite observations, machine learning and a chemical transport model quantifies the global and regional exposure to particulate-matter pollution and the human health impacts related to the 2023 Canadian wildfires.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».