Modeling the Intraurban Variability of Ambient Traffic Pollution in Toronto, Canada
Notice bibliographique
Résumé
The objective of this paper is to model determinants of intraurban variation in ambient concentrations of nitrogen dioxide (NO2) in Toronto, Canada, with a land use regression (LUR) model. Although researchers have conducted similar studies in Europe, this work represents the first attempt in a North American setting to characterize variation in traffic pollution through the LUR method. NO2 samples were collected over 2 wk using duplicate two-sided Ogawa passive diffusion samplers at 95 locations across Toronto. Independent variables employed in subsequent regression models as predictors of NO2 were derived by the Arc 8 geographic information system (GIS). Some 85 indicators of land use, traffic, population density, and physical geography were tested. The final regression model yielded a coefficient of determination (R2) of .69. For the traffic variables, density of 24-h traffic counts and road measures display positive associations. For the land use variables, industrial land use and counts of dwellings within 2000 m of the monitoring location were positively associated with NO2. Locations up to 1500 m downwind of major expressways had elevated NO2 levels. The results suggest that a good predictive surface can be derived for North American cities with the LUR method. The predictive maps from the LUR appear to capture small-area variation in NO2 concentrations. These small-area variations in traffic pollution are probably important to the exposure experience of the population and may detect health effects that would have gone unnoticed with other exposure estimates.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».