Modeling Wildfire Smoke Pollution by Integrating Land Use Regression and Remote Sensing Data: Regional Multi-Temporal Estimates for Public Health and Exposure Models
Notice bibliographique
Résumé
To understand the health effects of wildfire smoke, it is important to accurately assess smoke exposure over space and time. Particulate matter (PM) is a predominant pollutant in wildfire smoke. In this study, we develop land-use regression (LUR) models to investigate the impact that a cluster of wildfires in the northwest USA had on the level of PM in southern Alberta (Canada), in the summer of 2015. Univariate aerosol optical depth (AOD) and multivariate AOD-LUR models were used to estimate the level of PM2.5 in urban and rural areas. For epidemiological studies, it is also important to distinguish between wildfire-related PM2.5 and PM2.5 originating from other sources. We therefore subdivided the study period into three sub-periods: (1) Pre-fire, (2) during-fire, and (3) post-fire. We then developed separate models for each sub-period. With this approach, we were able to identify different predictors significantly associated with smoke-related PM2.5 verses PM2.5 of different origin. Leave-one-out cross-validation (LOOCV) was used to evaluate the models’ performance. Our results indicate that model predictors and model performance are highly related to the level of PM2.5, and the pollution source. The predictive ability of both uni- and multi-variate models were higher in the during-fire period than in the pre- and post-fire periods.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».