Spatial Modeling for Air Pollution Monitoring Network Design: Example of Residential Woodsmoke
Notice bibliographique
Résumé
The purpose of this paper is to demonstrate how to develop an air pollution monitoring network to characterize small-area spatial contrasts in ambient air pollution concentrations.Using residential woodburning emissions as our case study, this paper reports on the first three stages of a four-stage protocol to measure, estimate, and validate ambient residential woodsmoke emissions in Vancouver, British Columbia.The first step is to develop an initial winter nighttime woodsmoke emissions surface using inverse-distance weighting of emissions information from consumer woodburning surveys and property assessment data.Second, fireplace density and a compound topographic index based on hydrological flow regimes are used to enhance the emissions surface.Third, the spatial variation of the surface is used in a location-allocation algorithm to design a network of samplers for the woodsmoke tracer compound levoglucosan and fine particulate matter.Measurements at these network sites are then used in the fourth stage of the protocol (not presented here): a mobile sampling campaign aimed at developing a high-resolution surface of woodsmoke concentrations for exposure assignment in health effects studies.Overall the results show that relatively simple data inputs and spatial analysis can be effective in capturing the spatial variability of ambient air pollution emissions and concentrations. IMPLICATIONSRecent research highlights the importance of small-area contrasts in air pollution emissions and concentrations as predictors of health impacts.Using the example of residential woodburning emissions, this paper shows that relevant spatial covariates can be used to identify the microgeography intraurban air pollution gradients before deployment of more costly monitoring resources.
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 | 0,005 | 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 ».