Factor analysis utilizes the covariance of compositional variables to separate sources of ambient pollutants like particulate matter (PM). However, meteorology causes concentration variations in addition to emission rate changes. Conventional positive matrix factorization (PMF) loses information from the data because of these dilution variations. By incorporating the ventilation coefficient, dispersion normalized PMF (DN-PMF) reduces the dilution effects. DN-PMF was applied to hourly speciated particulate composition data from a field campaign that included the start of the COVID-19 outbreak. DN-PMF sharpened the morning coal combustion and rush hour traffic peaks and lowered the daytime soil, aged sea salt, and waste incinerator contributions that better reflect the actual emissions. These results identified significant changes in source contributions after the COVID-19 outbreak in China. During this pandemic, secondary inorganic aerosol became the predominant PM2.5 source representing 50.5% of the mean mass. Fireworks and residential burning (32.0%), primary coal combustion emissions (13.3%), primary traffic emissions (2.1%), soil and aged sea salt (1.2%), and incinerator (0.9%) represent the other contributors. Traffic decreased dramatically (70%) compared to other sources. Soil and aged sea salt also decreased by 68%, likely from decreased traffic.

Abstract. Aerosol acidity plays a key role in secondary aerosol formation. The high-temporal-resolution PM2.5 pH and size-resolved aerosol pH in Beijing were calculated with ISORROPIA II. In 2016–2017, the mean PM2.5 pH (at relative humidity (RH) > 30 %) over four seasons was 4.5±0.7 (winter) > 4.4±1.2 (spring) > 4.3±0.8 (autumn) > 3.8±1.2 (summer), showing moderate acidity. In coarse-mode aerosols, Ca2+ played an important role in aerosol pH. Under heavily polluted conditions, more secondary ions accumulated in the coarse mode, leading to the acidity of the coarse-mode aerosols shifting from neutral to weakly acidic. Sensitivity tests also demonstrated the significant contribution of crustal ions to PM2.5 pH. In the North China Plain (NCP), the common driving factors affecting PM2.5 pH variation in all four seasons were SO42-, TNH3 (total ammonium (gas + aerosol)), and temperature, while unique factors were Ca2+ in spring and RH in summer. The decreasing SO42- and increasing NO3- mass fractions in PM2.5 as well as excessive NH3 in the atmosphere in the NCP in recent years are the reasons why aerosol acidity in China is lower than that in Europe and the United States. The nonlinear relationship between PM2.5 pH and TNH3 indicated that although NH3 in the NCP was abundant, the PM2.5 pH was still acidic because of the thermodynamic equilibrium between NH4+ and NH3. To reduce nitrate by controlling ammonia, the amount of ammonia must be greatly reduced below excessive quantities.

Biochar application to soil is widely recognized as a promising agricultural management practice to increase crop production by enhancing the physical, chemical, and microbiological properties of the soil. Despite the fact that numerous studies have investigated biochar production and alterations in soil properties, the effects of biochar on contrasting soils within the same region remain poorly understood, especially for semi-arid regions. Therefore, a three-year field experiment was initiated in 2020 wherein biochar was applied once to a buckwheat field at rates of 0, 20, 40, and 60 Mg ha−1 (BC0: no biochar; BC1: 20 Mg ha−1; BC2: 40 Mg ha−1; BC3: 60 Mg ha−1) for two soil types (aeolian sandy and grey meadow soil) in the northeast of Inner Mongolia, China. The soil water storage (SWS), nutrient contents (organic matter, available nitrogen, phosphorus, and potassium), microbial biomass (carbon, nitrogen, and phosphorus), and enzyme activities (urease, invertase, and alkaline phosphatase) were assessed at a soil depth of 0–15 cm as part of the soil quality assessment, and the buckwheat grain yield was estimated for crop productivity evaluation. The results showed that biochar amendment improved selected soil physicochemical and microbiological properties and buckwheat yields for both soil types. Compared to BC0, the biochar addition increased buckwheat yields, on average, by 11.23% to 22.82% in aeolian sandy soil and by 7.36% to 14.87% in grey meadow soil across three years. The results of principal component analysis (PCA) and random forest analysis (RFA) indicate that soil available nutrients and microbiological properties were the most important factors influencing buckwheat yields in aeolian sandy soil and grey meadow soil, respectively. Based on RFA, the available potassium, phosphorus, and nitrogen were found to contribute at rates of 13.10%, 10.06%, and 8.12%, respectively, to buckwheat yields in aeolian sandy soil. In contrast, alkaline phosphatase, urease, and microbial biomass carbon contribute 20.26%, 8.48%, and 7.82%, respectively, to the buckwheat yields in grey meadow soil. Following biochar addition, there was greater improvement in soil health and buckwheat production for aeolian sandy soil than grey meadow soil. In conclusion, biochar addition is an effective practice for improving soil health and crop productivity in both aeolian sandy soil and grey meadow soil in semi-arid regions.

The integration of public bicycles into urban transportation systems has gained popularity due to their potential to reduce traffic congestion and air pollution, while also addressing the “last kilometer” problem. This study examines the usage patterns and predictive analysis of public bicycles in New York City using the CitiBike dataset from 2013 to 2015. We employ the Spring algorithm for networkx visualization and analyze the loan and return data to understand spatial-temporal usage dynamics. Additionally, clustering techniques, including K-means and DBSCAN, are applied to the dataset to uncover usage trends and patterns. The findings provide valuable insights for the planning and optimization of public bicycle systems, such as CitiBike, and contribute to the promotion of sustainable and environmentally friendly urban transportation.

The integration of public bicycles into urban transportation systems has gained popularity due to their potential to reduce traffic congestion and air pollution, while also addressing the “last kilometer” problem. This study examines the usage patterns and predictive analysis of public bicycles in New York City using the CitiBike dataset from 2013 to 2015. We employ the Spring algorithm for networkx visualization and analyze the loan and return data to understand spatial-temporal usage dynamics. Additionally, clustering techniques, including K-means and DBSCAN, are applied to the dataset to uncover usage trends and patterns. The findings provide valuable insights for the planning and optimization of public bicycle systems, such as CitiBike, and contribute to the promotion of sustainable and environmentally friendly urban transportation.

To elucidate the characteristics of VOCs chemical components during heavy pollution episodes, hourly online VOCs data derived from 11 heavy pollution events in Tianjin from 2019 to 2020 were employed. The positive matrix factorization （PMF） and conditional bivariate probability function （CBPF） were employed to analyze the sources of VOCs during heavy pollution episodes. The results indicated that the average VOCs volume fraction during these episodes was recorded at 35.7×10