Machine Learning Approach To Estimate Hourly Exposure to Fine Particulate Matter for Urban, Rural, and Remote Populations during Wildfire Seasons
Notice bibliographique
Résumé
Exposure to wildfire smoke averaged over 24-hour periods has been associated with a wide range of acute cardiopulmonary events, but little is known about the effects of sub-daily exposures immediately preceding these events. One challenge for studying sub-daily effects is the lack of spatially and temporally resolved estimates of smoke exposures. Inexpensive and globally applicable tools to reliably estimate exposure are needed. Here we describe a Random Forests machine learning approach to estimate 1-hour average population exposure to fine particulate matter during wildfire seasons from 2010 to 2015 in British Columbia, Canada, at a 5 km × 5 km resolution. The model uses remotely sensed fire activity, meteorology assimilated from multiple data sources, and geographic/ecological information. Compared with observations, model predictions had a correlation of 0.93, root mean squared error of 3.2 μg/m 3, mean fractional bias of 15.1%, and mean fractional error of 44.7%. Spatial cross-validation indicated an overall correlation of 0.60, with an interquartile range from 0.48 to 0.70 across monitors. This model can be adapted for global use, even in locations without air quality monitoring. It is useful for epidemiologic studies on sub-daily exposure to wildfire smoke and for informing public health actions if operationalized in near-real-time.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».