Predicting seasonal and spatial patterns of long-term nitrogen oxides concentration in Tehran, Iran using land use regression
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: 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.
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) | 0,001 | 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 découle