Predicting Traffic-Related Air Pollution Using Feature Extraction from Built Environment Images
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
This study develops a set of algorithms to extract built environment features from Google aerial and street view images, reflecting the microcharacteristics of an urban location as well as the different functions of buildings. These features were used to train a Bayesian regularized artificial neural network (BRANN) model to predict near-road air quality based on measurements of ultrafine particles (UFPs) and black carbon (BC) in Toronto, Canada. The resulting models [adjusted R2 of 75.87 and 79.10% for UFP and BC and root mean squared error (RMSE) of 21,800 part/cm3 and 1300 ng/m3 for UFP and BC] were compared with similar ANN models developed using the same predictors, but extracted from traditional geographic information system (GIS) databases [adjusted R2 of 58.74 and 64.21% for UFP and BC and RMSE values of 23,000 part/cm3 and 1600 ng/m3 for UFP and BC]. The models based on feature extraction exhibited higher predictive power, thus highlighting the greater accuracy of the proposed methods compared to GIS layers that are solely based on aerial images. A comparison with other neural network approaches as well as with a traditional land-use regression model demonstrates the strength of the BRANN model for spatial interpolation of air quality.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle