Dry Deposition of Fine Particulate Matter by City-Owned Street Trees in a City Defined by Urban Sprawl
Notice bibliographique
Résumé
Urban expansion intensifies population exposures to fine particulate matter (PM2.5). Trees mitigate pollution by dry deposition, in which particles settle on plants. However, city-scale models frequently overlook differences in tree species and structure. This study assesses PM2.5 removal by individual city-owned street trees in Mississauga, Canada, throughout the 2019 leaf-growing season (May to September). Using a modified i-Tree Eco framework, we evaluated the removal of PM2.5 by 200,560 city-owned street trees (245 species) in Mississauga from May to September 2019. The model used species-specific deposition velocities (Vd) from the literature or leaf morphology estimates, adjusted for local winds, a 3 m-resolution satellite-derived Leaf Area Index (LAI), field-validated, crown area modelled from diameter at breast height, and 1 km2 resolution PM2.5 data geolocated to individual trees. About twenty-eight tons of PM2.5 were removed from 200,560 city-owned trees (245 species). Coniferous species (14.37% of trees) removed 25.62 tons (92% of total), much higher than deciduous species (85.63%, 2.18 tons). Picea pungens (18.33 tons, 66%), Pinus nigra (3.29 tons, 12%), and Picea abies (1.50 tons, 5%) are three key species. Conifers’ removal efficiency originates from the faster deposition velocities, larger tree size, and dense foliage, all of which enhance particle deposition. This study emphasizes species-specific approaches for improving urban air quality through targeted tree planting. Prioritizing coniferous species such as spruce and pine can improve pollution mitigation, providing actionable strategies for Mississauga and other cities worldwide to develop green infrastructure planning for air pollution.
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 | 0,000 |
| 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) | 0,001 | 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 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 ».