Challenges and Next Steps for Land-use Regression Models
Notice bibliographique
Résumé
S-30B1-5 Background/Aims: This talk addresses lessons learned, challenges, and next steps in the application of the land-use regression (LUR) model approach for air pollution exposure assessment. Specifically, we will discuss creating national LUR models, developing LUR models for developing countries, and matching the spatial resolution of LUR models with microenvironment location information. Methods: We developed national LUR models using fixed site monitors for the United States and Canada (obtained from the US Environmental Protection Agency and NAPS respectively), land use characteristics, and satellite pollutant measurements. Results: For the United States, models were developed for annual average (R2: 0.78) and seasonal (R2: 0.73–0.77) concentrations of NO2. For Canada, models were developed for annual average concentration of particulate matter 2.5 (PM2.5) (R2 = 0.44) and several gases: NO2, Benzene, Ethyl benzene, and Butadiene (R2: 0.62–0.69). Within-city variability is predicted reasonably well for the US model, but requires further work for the Canadian model. A second area of current work involves LUR in Delhi, India, for PM2.5, black carbon, and particle number concentrations. Preliminary results suggest differing spatial patterns in India compared to typical North American contexts and the need for different predictor variables—for example, in high-density low-income neighborhoods where in-home combustion sources are predominantly solid fuels, PM2.5 concentrations may be higher away from a roadway than near a roadway. Our third area of current work is to improve microenvironment location information for exposure estimation. This work builds on prior mobility-based exposure models. CAREX Canada has developed “daytime” location estimates from satellite data at block and dissemination areas, to calculate population exposure estimates using LUR models. Following on earlier work using geocoded activity diaries and logging GPS, we are working with smart-phone GPS technology to estimate individual exposures based on location. Conclusion: The use of national scale LUR models shows promise. Expanding to developing counties and improving the microenvironment information present a set of challenges to be addressed.
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 | 0,001 | 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 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 ».