Land Use Regression Modelling: An Air Pollution Monitor Location Optimization Approach
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
Land use regression (LUR) modelling associates measured pollution levels to land cover characteristics for spatial interpolation. LUR is commonly applied in the domain of air pollution and less commonly for noise, soil and water pollution. Model outputs can be applied to estimate human or environmental exposure. The model’s predictor variables include land use attributes, such as land cover and transportation network characteristics that are calculated within spatial buffers of the monitoring locations. LUR models can be used to predict values at unobserved locations.The application of spatial interpolation attempts to ensure that data are not extrapolated beyond the bounds of the observed values. However, our research identifies that without guaranteeing monitoring data be collected in all land use classes and conditions, it is possible with LUR to actually be extrapolating data and still be within the 2-dimensional spatial boundaries of the monitoring locations. This potential extrapolation occurs because the interpolation is based on a multi-dimensional space that sits upon the 2-D plane, which creates a new set of boundaries for the interpolation.In this paper, we define and demonstrate the potential problem of ensuring LUR models interpolate within both the 2-D spatial domain and the multi-dimensional space that is applied in LUR modelling. We then demonstrate a solution to this problem in a simulated dataset and in an empirical dataset. First, we identify all possible monitoring locations. Second, the objective function is defined with the goal of selecting monitoring locations to maximize the variation across land use conditions. A heuristic search technique is applied to identify good potential solutions. The location of monitors is identified using an ensemble of potential optimum solutions.
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 | 0,000 | 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 | 0,001 |
| 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 découle