Science Advances· 2026Q1
Hiperlokal Sensörler Gizli Hava Kirliliği Kaynaklarını Haritalandırıyor
Hyperlocal sensing and inverse modeling reveal community impacts of urban air pollutant emissions
- 1atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yoğun mobil ve sabit saha hava kalitesi sensörlerini kullanan yeni bir Bayesçi ters modelleme yaklaşımı, saatlik, hiperlokal (150m) siyah karbon emisyon haritaları oluşturarak, toplam tahmini emisyonları West Oakland'da yaklaşık %33 oranında artıran ve nüfus ağırlıklı maruz kalmalara katkılarını dört katına çıkaran (5'ten %20'ye) yetersiz tahmin edilen kaynakları ortaya çıkardı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Saatlik, 150m x 150m siyah karbon emisyon haritaları oluşturmak için bir Bayesçi ters modelleme çerçevesi geliştirildi.
- West Oakland'da yetersiz tahmin edilen emisyon kaynakları belirlendi, toplam BC emisyonları yaklaşık %33 arttı.
- Mahalle ve liman kaynaklarının nüfus ağırlıklı maruz kalmaların %20'sini oluşturduğu ortaya çıktı, bu oran daha önce %5 idi.
- Daha az sayıda sensör ağı (~10 monitör) ile benzer performansın zaman ortalamalı mobil verilerle elde edilebileceği gösterildi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Addressing urban air pollution requires identifying, quantifying, and mitigating emission sources, yet bottom-up inventories often lack fine spatiotemporal precision and rarely capture unpermitted or informally operated sources. We combine dense mobile and fixed-site measurements in a Bayesian inverse modeling framework to produce hourly, hyperlocal black carbon (BC) emission maps (150 meters by 150 meters) that reveal how and where key sources are underrepresented. In West Oakland, CA-an overburdened community near major freight infrastructure-our approach identifies underestimated and unaccounted emission sources, increasing estimated BC emissions by ∼33%. These corrections quadruple the contribution of neighborhood and port-related sources to population-weighted exposures (from 5 to 20%), disproportionately affecting low-income neighborhoods adjacent to freight corridors. Our results demonstrate that combining dense observational data with inverse modeling enables detection and quantification of overlooked emissions, supporting targeted intervention. Sensitivity analyses indicate similar performance with a substantially reduced fixed-site network (∼10 monitors; ∼1 site per square kilometer, compared with 6.7 sites per square kilometer in the full campaign), paired with time-averaged mobile maps, supporting applicability in data-limited urban settings.
Yazarların özeti; kaynağından alınmıştır. Science Advances, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Atmosfer Bilimi
Atmospheric ScienceEarth and Planetary Sciences