Comparing land use regression and dispersion modelling to assess residential exposure to ambient air pollution for epidemiological studies
Notice bibliographique
Résumé
BACKGROUND: Land-use regression (LUR) and dispersion models (DM) are commonly used for estimating individual air pollution exposure in population studies. Few comparisons have however been made of the performance of these methods. OBJECTIVES: Within the European Study of Cohorts for Air Pollution Effects (ESCAPE) we explored the differences between LUR and DM estimates for NO2, PM10 and PM2.5. METHODS: The ESCAPE study developed LUR models for outdoor air pollution levels based on a harmonised monitoring campaign. In thirteen ESCAPE study areas we further applied dispersion models. We compared LUR and DM estimates at the residential addresses of participants in 13 cohorts for NO2; 7 for PM10 and 4 for PM2.5. Additionally, we compared the DM estimates with measured concentrations at the 20-40 ESCAPE monitoring sites in each area. RESULTS: The median Pearson R (range) correlation coefficients between LUR and DM estimates for the annual average concentrations of NO2, PM10 and PM2.5 were 0.75 (0.19-0.89), 0.39 (0.23-0.66) and 0.29 (0.22-0.81) for 112,971 (13 study areas), 69,591 (7) and 28,519 (4) addresses respectively. The median Pearson R correlation coefficients (range) between DM estimates and ESCAPE measurements were of 0.74 (0.09-0.86) for NO2; 0.58 (0.36-0.88) for PM10 and 0.58 (0.39-0.66) for PM2.5. CONCLUSIONS: LUR and dispersion model estimates correlated on average well for NO2 but only moderately for PM10 and PM2.5, with large variability across areas. DM predicted a moderate to large proportion of the measured variation for NO2 but less for PM10 and PM2.5.
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 | 0,001 | 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 ».