A Land Use Regression Model for Ultrafine Particles in Vancouver, Canada
Notice bibliographique
Résumé
Methods to characterize chronic exposure to ultrafine particles (UFP) can help to clarify potential health effects. Since UFP are not routinely monitored in North America, spatiotemporal models are one potential exposure assessment methodology. Portable condensation particle counters were used to measure particle number concentrations (PNC) to develop a land use regression (LUR) model. PNC, wind speed and direction were measured for sixty minutes at eighty locations during a two-week sampling campaign. We conducted continuous monitoring at four additional locations to assess temporal variation. LUR modeling utilized 135 potential geographic predictors including: road length, vehicle density, restaurant density, population density, land use and others. A novel approach incorporated meteorological data through wind roses as alternates to traditional circular buffers. The range of measured (sixty-minute median) PNC across locations varied seventy-fold (1500-105000 particles/cm(3), mean [SD] = 18200 [15900] particles/cm(3)). Correlations between PNC and concurrently measured two-week average NOX concentrations were 0.6-0.7. A PNC LUR model (R(2) = 0.48, leave-one-out cross validation R(2) = 0.32) including truck route length within 50 m, restaurant density within 200 m, and ln-distance to the port represents the first UFP LUR model in North America. Models incorporating wind roses did not explain more variability in measured PNC.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».