Assessing the distribution of volatile organic compounds using land use regression in Sarnia, "Chemical Valley", Ontario, Canada
Notice bibliographique
Résumé
BACKGROUND: Land use regression (LUR) modelling is proposed as a promising approach to meet some of the challenges of assessing the intra-urban spatial variability of ambient air pollutants in urban and industrial settings. However, most of the LUR models to date have focused on nitrogen oxides and particulate matter. This study aimed at developing LUR models to predict BTEX (benzene, toluene, ethylbenzene, m/p-xylene and o-xylene) concentrations in Sarnia, 'Chemical Valley', Ontario, and model the intra-urban variability of BTEX compounds in the city for a community health study. METHOD: Using Organic Vapour Monitors, pollutants were monitored at 39 locations across the city of Sarnia for 2 weeks in October 2005. LUR models were developed to generate predictor variables that best estimate BTEX concentrations. RESULTS: Industrial area, dwelling counts, and highways adequately explained most of the variability of BTEX concentrations (R2: 0.78 - 0.81). Correlations between measured BTEX compounds were high (> 0.75). Although most of the predictor variables (e.g. land use) were similar in all the models, their individual contributions to the models were different. CONCLUSION: Yielding potentially different health effects than nitrogen oxides and particulate matter, modelling other air pollutants is essential for a better understanding of the link between air pollution and health. The LUR models developed in these analyses will be used for estimating outdoor exposure to BTEX for a larger community health study aimed at examining the determinants of health in Sarnia.
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 | 0,000 | 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) | 0,001 | 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 ».