Characterizing the impact of traffic and the built environment on near-road ultrafine particle and black carbon concentrations
Notice bibliographique
Résumé
BACKGROUND: Increasing evidence suggests that ultrafine particles (UFPs) may contribute to cardiorespiratory morbidity. We examined the relationship between near road UFPs and several traffic and built environment factors to identify predictors that may be used to estimate exposures in population-based studies. Black carbon (BC) was also examined. METHODS: Data were collected on up to 6 occasions at 73 sites in Montreal, Canada over 6-week period during summer, 2012. After excluding highly correlated variables, road width, truck ratio (trucks/total traffic), building height, land zoning parameters, and meteorological factors were evaluated. Random-effect models were used to estimate percent changes in UFP and BC concentrations with interquartile changes in each candidate predictor adjusted for meteorological factors. RESULTS: Mean pollutant concentrations varied substantially across sites (UFP range: 1977-94, 798 particles/cm(3); BC range: 29-9460 ng/m(3)). After adjusting for meteorology, interquartile increases in road width (14%, 95% CI: 0, 30), building height (13%, 95% CI: 5, 22), and truck ratio (13%, 95% CI: 3, 23) were the most important predictors of mean UFP concentrations. Road width (28%, 95% CI: 9, 51) and industrial zoning (18%, 95% CI: 2, 37) were the strongest predictors of maximum UFP concentrations. Industrial zoning (35%, 95% CI: 9, 67) was the strongest predictor of BC. CONCLUSIONS: A number of traffic and built environmental factors were identified as important predictors of near road UFP and BC concentrations. Exposure models incorporating these factors may be useful in evaluating the health effects of traffic related air 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 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 | 0,000 |
| 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 | 0,001 | 0,004 |
| 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 ».