Global Estimates and Long-Term Trends of Fine Particulate Matter Concentrations (1998–2018)
Notice bibliographique
Résumé
Abstract Exposure to outdoor fine particulate matter (PM2.5) is a leading risk factor for mortality. We develop global estimates of annual PM2.5 concentrations and trends for 1998–2018 using advances in satellite observations, chemical transport modeling, and ground-based monitoring. Aerosol optical depths (AODs) from advanced satellite products including finer resolution, increased global coverage, and improved long-term stability are combined and related to surface PM2.5 concentrations using geophysical relationships between surface PM2.5 and AOD simulated by the GEOS-Chem chemical transport model with updated algorithms. The resultant annual mean geophysical PM2.5 estimates are highly consistent with globally distributed ground monitors (R2 = 0.81; slope = 0.90). Geographically weighted regression is applied to the geophysical PM2.5 estimates to predict and account for the residual bias with PM2.5 monitors, yielding even higher cross validated agreement (R2 = 0.90–0.92; slope = 0.90–0.97) with ground monitors and improved agreement compared to all earlier global estimates. The consistent long-term satellite AOD and simulation enable trend assessment over a 21 year period, identifying significant trends for eastern North America (−0.28 ± 0.03 μg/m3/yr), Europe (−0.15 ± 0.03 μg/m3/yr), India (1.13 ± 0.15 μg/m3/yr), and globally (0.04 ± 0.02 μg/m3/yr). The positive trend (2.44 ± 0.44 μg/m3/yr) for India over 2005–2013 and the negative trend (−3.37 ± 0.38 μg/m3/yr) for China over 2011–2018 are remarkable, with implications for the health of billions of people.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».