Impacts of Soil NO<sub><i>x</i></sub> Emission\non O<sub>3</sub> Air Quality in Rural California
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Nitrogen oxides (NO<sub><i>x</i></sub>) are a key precursor\nin O<sub>3</sub> formation. Although stringent anthropogenic NO<sub><i>x</i></sub> emission controls have been implemented\nsince the early 2000s in the United States, several rural regions\nof California still suffer from O<sub>3</sub> pollution. Previous\nfindings suggest that soils are a dominant source of NO<sub><i>x</i></sub> emissions in California; however, a statewide assessment\nof the impacts of soil NO<sub><i>x</i></sub> emission (SNO<sub><i>x</i></sub>) on air quality is still lacking. Here we\nquantified the contribution of SNO<sub><i>x</i></sub> to\nthe NO<sub><i>x</i></sub> budget and the effects of SNO<sub><i>x</i></sub> on surface O<sub>3</sub> in California during\nsummer by using WRF-Chem with an updated SNO<sub><i>x</i></sub> scheme, the Berkeley Dalhousie Iowa Soil NO Parameterization\n(BDISNP). The model with BDISNP shows a better agreement with TROPOMI\nNO<sub>2</sub> columns, giving confidence in the SNO<sub><i>x</i></sub> estimates. We estimate that 40.1% of the state’s total\nNO<sub><i>x</i></sub> emissions in July 2018 are from soils,\nand SNO<sub><i>x</i></sub> could exceed anthropogenic sources\nover croplands, which accounts for 50.7% of NO<sub><i>x</i></sub> emissions. Such considerable amounts of SNO<sub><i>x</i></sub> enhance the monthly mean NO<sub>2</sub> columns by 34.7% (53.3%)\nand surface NO<sub>2</sub> concentrations by 176.5% (114.0%), leading\nto an additional 23.0% (23.2%) of surface O<sub>3</sub> concentration\nin California (cropland). Our results highlight the cobenefits of\nlimiting SNO<sub><i>x</i></sub> to help improve air quality\nand human health in rural California.
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,007 |
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 découle