The role of transport in New York's Air Quality impacts from the 2023 Canadian Wildfires
Notice bibliographique
Résumé
Abstract In 2023, Canada experienced its most severe wildfire season on record, burning over 7.8 million hectares and releasing unprecedented carbon emissions surpassing the country’s previous record by several fold. These fires produced dense plumes that were transported into the Northeastern United States (US), including New York City (NYC), contributing to extreme air pollution in the area. This study investigates whether atmospheric transport from Canada to NYC during the 2023 wildfire season was unusual compared to previous years, considering the important role that transport consistently plays in carrying smoke over long distances, or whether the meteorological conditions were different than previous years, which led to the poor air quality in NYC. We use community atmospheric model (CAM) simulations driven by reanalysis winds for the period 1985–2023, along with daily PM 2.5 observations from the US environmental protection agency (EPA), to simulate long-range aerosol transport under base and high emission scenarios and analyze pollutant transport and concentrations over NYC. Results show that although long-range transport was necessary to bring smoke to NYC, the transport patterns in 2023 were not significantly different from those in previous years. Instead, the record-breaking PM 2.5 levels were mainly caused by the extraordinary magnitude of fire emissions. The model accurately captured the spatial distribution of smoke. These findings thus emphasize anomalously high fire emissions, rather than transport or meteorology, played a more crucial role in driving the air quality impacts of this event over the Northeastern US.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».