Sources of organic aerosols in east China: A modeling study with high-resolution intermediate-volatility and semi-volatile organic compound emissions
Notice bibliographique
Résumé
Organic aerosol (OA) contributes a large fraction of atmospheric submicron aerosol and has negative impacts on air quality, climate, and human health. Sources of OA still remains unclear due to the inadequacy of emission inventory and modeling system. Herein, we established a high-resolution emission inventory of intermediate-volatility and semi-volatile organic compounds (I/SVOCs) and applied it into CMAQ to simulate POA and SOA from different sources in eastern China. Comprehensive observation data of organic carbon (OC), primary and secondary organic aerosol (POA, SOA), and precursors were used for the verification of model performance. With the addition of I/SVOC emissions, OA simulations in each season were substantially improved by increasing the modeled SOA by 1.2 times. I/SVOC emissions contributed 53.6% of SOA and 23.5% of total OA on average. Cooking emissions dominated the POA concentrations in most of the cities. I/SVOC emissions from industrial sources have become the predominant source of regional SOA, followed by those from mobile sources. The differences in OA source contributions between the cities implies that differentiated control measures shall be considered to OA pollution mitigation. Meanwhile, more localized I/SVOCs emission measurements and more sophisticated SOA simulation mechanisms are urgently needed to further improve the identification of OA sources in eastern China.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,366 | 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 ».