Predicting seasonal and spatial patterns of long-term nitrogen oxides concentration in Tehran, Iran using land use regression
Notice bibliographique
Résumé
Background: Tehran, the capital city of Iran in the Middle East, experiences extreme air pollution concentrations. Aims: Long-term spatial and seasonal patterns of nitrogen oxide (NO), nitrogen dioxide (NO2) and nitrogen oxides (NOx) concentrations were estimated by land use regression (LUR). Methods: Hourly measurements of NO, NO2 and NOx were obtained from 23 automatic air pollution monitoring stations spread across the metropolitan area of Tehran. In addition, 210 variables were compiled using a Geographic Information System. Finally, annual and seasonal models (cooler and warmer season) were built using multiple linear regression with a novel step-by-step algorithm. Results: The annual mean concentrations of NO, NO2 and NOx were 88.1, 53.1, and 141.8 ppb, respectively. The cooler season mean concentrations were 117, 20, and 180.2 ppb, respectively and the warmer season mean concentrations were 60, 44.6, and 104.7 ppb, respectively. The leave-one-out cross-validation (LOOCV) R2 values for the LUR models ranged from 0.50 to 0.84 for NO, from 0.59 to 0.69 for NO2, and from 0.70 to 0.77 for NOx. The most predictive variables for NO included measures of distance to traffic, while those for NO2 and NOx were more influenced by industrial sources. Conclusions: Resulting models and maps show that patterns were consistent for the annual and cooler season models for NO, NO2 and NOx, but there were clear differences for warmer seasons.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 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 ».