INFLUENCE OF THE BUILT ENVIRONMENT ON PERSONAL EXPOSURE TO FINE PARTICULATE MATTER IN CYCLISTS DURING THE MORNING COMMUTE IN A CANADIAN CITY
Notice bibliographique
Résumé
Background and Aims: The health impacts of exposure to fine particulate matter air pollution (PM2.5) conflict with the health benefits of commuting by active transport. This is of special concern to commuting cyclists as they are often near air pollution generating traffic and respiring at an elevated rate. Long-term and short-term exposure to PM2.5 has been implicated epidemiologically in numerous cardiovascular and respiratory ailments. Personal exposure studies are critical as single-site ambient monitors do not adequately capture environmental variations and consistently report lower pollution measurements. Methods: Participants were equipped with a GPS and a portable device which measures PM2.5 both recording at one second intervals. Five routes totalling approximately 50km were cycled during the morning commute for 5 days across the city bicycle network in a midsized Canadian city (London, ON). GIS was employed to spatially analyze over one hundred thousand pollution data points. Results: This study found that mean individual exposure of 22.8µg/m3 was significantly greater than mean hourly ambient measures of 12.88µg/m3 (p = 0.03). Although atmospheric conditions such as wind direction (r = 0.72) were found to correlate with daily personal exposure to PM2.5, intraurban variation was still present in the data normalized to control for temporal meteorological effects. Conclusions: This study aims to be the first to incorporate elements of the built environment, such as the presence of street trees, traffic volume, traffic speed, urban morphology (e.g. block length, distance to nearest intersection), and land uses into a regression model in order to account for the variation and hotspots of PM2.5.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».