Spatial Analysis in Environmental Justice Research: Neighbourhood Exposure to Traffic Emissions in Toronto, Canada
Notice bibliographique
Résumé
ISEE-526 Objective: As the environmental health equity/justice literature broadens, one area of continuing development concerns the methods used to assess health hazard exposures and effects. The objectives of this article are to: (1) trace the development of spatial analysis in environmental justice research and (2) demonstrate recent developments of air pollution exposure analysis in a case study in Toronto, Canada. Materials and Methods: The case study is of traffic-generated NO2 in Toronto. GIS and spatial analysis are used to (1) allocate 95 fixed site passive samplers for measurements in the field in Spring 2002, (2) use these measurements to calibrate a land use regression (LUR) model of annual average ambient NO2, (3) use this calibrated LUR model to estimate a continuous surface of long-term NO2 values for the entire city, and (4) analyze the relationship between measured/modeled NO2 and neighborhood markers of socioeconomic status. Results: (1) Standard regulatory air monitoring significantly underestimates criterion air pollutants at fine spatial scales (neighborhoods), including short-term air quality standards and guidelines, (2) in models with neighborhood SES markers, some expected positive associations with air pollution are found (low income and low education) whereas other unexpected associations are also found (dwelling value and high-status occupations). Conclusions: GIS and spatial analysis afford the opportunity to analyze justice and equity relationships at fine spatial scales although some methods rely on intensive sampling campaigns. Accordingly this article concludes with a discussion of the future potential, pitfalls, and prospects of research on the microgeographies of environmental justice and health.
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 | 0,008 | 0,003 |
| 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) | 0,002 | 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 ».