Revealing the air pollution burden associated with internal Migration in Peru
Notice bibliographique
Résumé
Abstract This study aims to quantify changes in outdoor (ambient) air pollution exposure from different migration patterns within Peru and quantify its effect on premature mortality. Data on ambient fine particulate matter (PM2.5) was obtained from the National Aeronautics and Space Administration (NASA). Census data was used to calculate rates of within-country migration at the district level. We calculated differences in PM2.5exposure between “current” (2016–2017) and “origin” (2012) districts for each migration patterns. Using an exposure-response relationship for PM2.5extracted from a meta-analysis, and mortality rates from the Peruvian Ministry of Health, we quantified premature mortality attributable to each migration pattern. Changes in outdoor PM2.5exposure were observed between 2012 and 2016 with highest levels of PM2.5in the Department of Lima. A strong spatial autocorrelation of outdoor PM2.5values (Moran’s I = 0.847, p-value=0.001) was observed. In Greater Lima, rural-to-urban and urban-to-urban migrants experienced 10-fold increases in outdoor PM2.5exposure in comparison with non-migrants. Changes in outdoor PM2.5exposure due to migration drove 185 (95% CI: 2.7, 360) premature deaths related to air pollution, with rural-urban producing the highest risk of mortality from exposure to higher levels of ambient air pollution. Our results demonstrate that the rural-urban and urban-urban migrant groups have higher rates of air pollution-related deaths.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| 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 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 ».