Methods, availability, and applications of PM<sub>2.5</sub> exposure estimates derived from ground measurements, satellite, and atmospheric models
Notice bibliographique
Résumé
Fine particulate matter (PM2.5) is a well-established risk factor for public health. To support both health risk assessment and epidemiological studies, data are needed on spatial and temporal patterns of PM2.5 exposures. This review article surveys publicly available exposure datasets for surface PM2.5 mass concentrations over the contiguous U.S., summarizes their applications and limitations, and provides suggestions on future research needs. The complex landscape of satellite instruments, model capabilities, monitor networks, and data synthesis methods offers opportunities for research development, but would benefit from guidance for new users. Guidance is provided to access publicly available PM2.5 datasets, to explain and compare different approaches for dataset generation, and to identify sources of uncertainties associated with various types of datasets. Three main sources used to create PM2.5 exposure data are ground-based measurements (especially regulatory monitoring), satellite retrievals (especially aerosol optical depth, AOD), and atmospheric chemistry models. We find inconsistencies among several publicly available PM2.5 estimates, highlighting uncertainties in the exposure datasets that are often overlooked in health effects analyses. Major differences among PM2.5 estimates emerge from the choice of data (ground-based, satellite, and/or model), the spatiotemporal resolutions, and the algorithms used to fuse data sources.Implications: Fine particulate matter (PM2.5) has large impacts on human morbidity and mortality. Even though the methods for generating the PM2.5 exposure estimates have been significantly improved in recent years, there is a lack of review articles that document PM2.5 exposure datasets that are publicly available and easily accessible by the health and air quality communities. In this article, we discuss the main methods that generate PM2.5 data, compare several publicly available datasets, and show the applications of various data fusion approaches. Guidance to access and critique these datasets are provided for stakeholders in public health sectors.
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 | 0,012 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».