Application of Land Use Regression to Identify Sources and Assess Spatial Variation in Urban SVOC Concentrations
Notice bibliographique
Résumé
Land use regression (LUR), a geographic information system (GIS), and measured air concentrations were used to identify potential sources of semivolatile organic contaminants (SVOCs) within an urban/suburban region, using Toronto, Canada as a case study. Regression results suggested that air concentrations of polychlorinated biphenyls (PCBs), polybrominated diphenyl ethers (PBDEs), polycyclic aromatic hydrocarbons (PAHs), and polycyclic musks (PCMs) were correlated with sources at a scale of <5 km. LUR was able to explain 73-90% of the variability in PCBs and PCMs, and 36-89% of PBDE and PAH variability, suggesting that the latter have more spatially complex emission sources, particularly for the lowest and highest molecular weight compounds/congeners. LUR suggested that ~75% of the PCB air concentration variability was related to the distribution of PCBs in use/storage/building sealants, ~60% of PBDE variability was related to building volume, ~55% of the PAH variability was related to the distribution of transportation infrastructure, and ~65% of the PCM variability was related to population density. Parameters such as population density and household income were successfully used as surrogates to infer sources and air concentrations of SVOCs in Toronto. This is the first application of LUR methods to explain SVOC concentrations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».