Exposures to Air Pollution and Noise from Multi-Modal Commuting in a Chinese City
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Modern urban travel includes mixtures of transit options, which potentially impact individual pollution exposures and health. This study aims to investigate variations in traffic-related air pollution and noise levels experienced in traffic in Chengdu, China. Methods: Real-time PM2.5, black carbon (BC), and noise levels were measured for four transportation modes (car, bus, subway, and shared bike) on scripted routes in three types of neighborhoods (urban core, developing neighborhood, and suburb). Each mode of transportation in each neighborhood was sampled five times in summer and winter, respectively. After quality control, mixed effect models were built for the three pollutants separately. Results: Air pollutants had much higher concentrations in winter. Urban Core had the highest PM2.5 and BC concentrations across seasons compared to the other neighborhoods. The mixed effect model indicated that car commutes were associated with lower PM2.5 (−34.4 μg/m3; 95% CI: −47.5, −21.3), BC (−2016.4 ng/m3; 95% CI: −3383.8, −648.6), and noise (−9.3 dBA; 95% CI: −10.5, −8.0) levels compared with other modes; subway commutes had lower PM2.5 (−11.9 μg/m3; 95% CI: 47.5, −21.3), but higher BC (2349.6 ng/m3; 95% CI: 978.1, 3722.1) and noise (3.0 dBA; 95% CI: 1.7, 4.3) levels than the other three modes of transportation. Conclusion: Personal exposure to air pollution and noise vary by season, neighborhood, and transportation modes. Exposure models accounting for environmental, meteorological, and behavioral factors, and duration of mixed mode commuting may be useful for health studies of urban traffic microenvironments.
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.
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 | 0,003 | 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 | 0,001 |
| 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 découle