Application of Land Use Regression to Estimate Long-Term Concentrations of Traffic-Related Nitrogen Oxides and Fine Particulate Matter
Notice bibliographique
Résumé
Land use regression (LUR) is a promising technique for predicting ambient air pollutant concentrations at high spatial resolution. We expand on previous work by modeling oxides of nitrogen and fine particulate matter in Vancouver, Canada, using two measures of traffic. Systematic review of historical data identified optimal sampling periods for NO and N02. Integrated 14-day mean concentrations were measured with passive samplers at 116 sites in the spring and fall of 2003. Study estimates for annual mean NO and NO2 ranged from 5.4-98.7 and 4.8-28.0 ppb, respectively. Regulatory measurements ranged from 4.8-29.7 and 9.0-24.1 ppb and exhibited less spatial variability. Measurements of particle mass concentration (PM2.5) and light absorbance (ABS) were made at a subset of 25 sites during another campaign. Fifty-five variables describing each sampling site were generated in a Geographic Information System (GIS) and linear regression models for NO, NO2, PM2.5, and ABS were built with the most predictive covariates. Adjusted R(2) values ranged from 0.39 to 0.62 and were similar across traffic metrics. Resulting maps show the distribution of NO to be more heterogeneous than that of NO2, supporting the usefulness of this approach for assessing spatial patterns of traffic-related pollution.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».