Assessment of the Spatial Relationship between Air Pollutants in Kaduna Metropolis, Nigeria
Notice bibliographique
Résumé
This study analyzes the varying spatial relationship between air pollutants [Carbon monoxide (CO), Sulphur dioxide (SO2), Carbon dioxide (CO2) and Particulate Matter (PM2.5 and PM10)] in Kaduna metropolis. This was aimed at having more insight into be characteristics of air pollutants in the study area, which was geared towards efficient environmental management of the city. Validated portable pollutant monitors (MSA Altair 5x Gas Detectora, CO2 meter Model AZ-0002-DL and CW-HAT200 Particulate Counter) were utilized for data collection, on the concentration of air pollutants CO and SO2; CO2 and particulate matters (PM2.5 and PM10) respectively. Pearson correlation and Geographical Weighed Regression (GWR) were used for data analysis, whereas, maps and tables were utilized for data presentation. The findings revealed that a non - perfect positive linear relationship exists between the air pollutants. The GWR model revealed that the distribution of the local R2 values vary spatially across Kaduna Metropolis, indicating that there is a spatially varying relationship between the air pollutants. Higher R2 values were mostly in the central and southern part of the metropolis except for PM2.5 and PM10 in the Northern part of the metropolis. The finding further reveals that CO has the strongest association with SO2, SO2 has the strongest association with PM2.5 and PM10, CO2 with SO2, PM10 has the highest association with PM2.5, likewise PM2.5 with PM10. The use of GWR to establish the existence of locally varying relationship between the air pollutants was successful. Hence, this study recommends the use of GWR to model air pollutants in cities with limited monitoring capability.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».