PREDICTING SPATIAL VARIABILITY OF AMBIENT NITROGEN DIOXIDE IN MONTRÉAL, CANADA, WITH A LAND USE REGRESSION MODEL
Notice bibliographique
Résumé
ISEE-508 Abstract: The purpose of this study is to develop a land use regression model for predicting ambient concentrations of nitrogen dioxide in Montreal, Canada. Estimates of NO2 concentrations will be used to assess exposure in subsequent epidemiologic studies on the health effects of traffic-related air pollution. In May 2003, we deployed Ogawa™ passive diffusion samplers for 14 consecutive days at 100 sites across Montreal, Canada. Concentrations ranged from 5.6 to 26.1 ppb (median 12.1 ppb). Linear regression analysis was used to assess the association between logarithmic NO2 concentrations and land use variables derived using the ESRI Arc 8 geographic information system. In simple regressions, NO2 was associated with the area of open space, the distance from nearest highway, traffic count on nearest highway, the length of highways within any radius from 100 to 750 meters, the length of major roads within 750 m, and population density within 2000 m. Industrial land use and the length of local and residential roads showed no association with NO2. In multiple regression analysis, the best-fitting regression model (shown below), based on 93 observations, had a determination coefficient (R2) of 0.39.TableAlthough the land use regression model develop in Montréal was similar to that developed previously in Toronto, Canada, the R2 found in Montréal was smaller. This may be explained in part by the lower variability of NO2 levels measured in Montréal. Future work will include repeated NO2 measurements in the same locations in different seasons, as well as measurements of other pollutants such as volatile organic compounds (VOCs).
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 | 0,002 | 0,002 |
| 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 ».