Spatial air pollution modelling for a West-African town
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) modelling is a common approach used in European and Northern American epidemiological studies to assess urban and traffic related air pollution exposures. Studies applying LUR in Africa are lacking. A need exists to understand if this approach holds for an African setting, where urban features, pollutant exposures and data availability differ considerably from other continents. We developed a parsimonious regression model based on 48-hour nitrogen dioxide (NO2) concentrations measured at 40 sites in Kaédi, a medium sized West-African town, and variables generated in a geographic information system (GIS). Road variables and settlement land use characteristics were found to be important predictors of 48-hour NO2 concentration in the model. About 68% of concentration variability in the town was explained by the model. The model was internally validated by leave-one-out cross-validation and it was found to perform moderately well. Furthermore, its parameters were robust to sampling variation. We applied the model at 100 m pixels to create a map describing the broad spatial pattern of NO2 across Kaédi. In this research, we demonstrated the potential for LUR as a valid, cost-effective approach for air pollution modelling and mapping in an African town. If the methodology were to be adopted by environmental and public health authorities in these regions, it could provide a quick assessment of the local air pollution burden and potentially support air pollution policies and guidelines.
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 | 0,001 | 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 découle