Neighbourhood scale nitrogen dioxide land use regression modelling with regression kriging in an urban transportation corridor
Notice bibliographique
Résumé
Land use regression models (LUR) associate observed air pollution concentrations with surrounding land use characteristics for air pollution modelling . This technique is common in urban landscapes focused at a city-wide spatial scale. Our study tested the applicability of LUR modelling at a local scale, defined as multiple air monitors within a neighbourhood. The study area was 15.4 km of an urban transportation corridor in Mississauga, Canada. Nitrogen dioxide (NO 2 ) was sampled at 112 sites during the summer in 2018 and observations ranged from 5.8 ppb to 19.65 ppb. A linear regression LUR model explained 69% of the variation in NO 2 concentrations at this local scale, with estimated prediction errors less than 1.61 ppb, which were calculated by three cross-validation methods. Traffic volume, major and minor road lengths were key determinants among the predictor variables, and park area and distance to the nearest major intersection were the only variables with negative coefficients in the local-scale model. Extending the linear model approach with regression kriging improved the model's explanatory ability with a coefficient of determination at 0.91; however, smaller improvements were observed during cross-validation. Leave-one-out cross-validation for the linear model LUR model (RMSE = 1.44 ppb and a R 2 = 0.64) and the regression kriging LUR model (RMSE = 1.34 ppb and a R 2 = 0.69) were similar. Model performance remained stable when 10-fold cross-validation was performed with the regression kriging LUR model (regression kriging, R 2 = 0.68 and RMSE = 1.36 ppb). The predicted air pollution levels ranged from 4.5 ppb to 25.6 ppb. This study demonstrates the ability of LUR modelling to perform well for local scale modelling in transportation dominated local urban environments.
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 | 0,000 | 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) | 0,002 | 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 ».