Application of Land Use Regression to Estimate Long-Term Concentrations of Traffic-Related Nitrogen Oxides and Fine Particulate Matter
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 découle