Predicting outdoor ultrafine particle number concentrations, particle size, and noise using street-level images and audio data
Notice bibliographique
Résumé
Outdoor ultrafine particles (UFPs) (<0.1 µm) may have an important impact on public health but exposure assessment remains a challenge in epidemiological studies. We developed a novel method of estimating spatiotemporal variations in outdoor UFP number concentrations and particle diameters using street-level images and audio data in Montreal, Canada. As a secondary aim, we also developed models for noise. Convolutional neural networks were first trained to predict 10-second average UFP/noise parameters using a large database of images and audio spectrogram data paired with measurements collected between April 2019 and February 2020. Final multivariable linear regression and generalized additive models were developed to predict 5-minute average UFP/noise parameters including covariates from deep learning models based on image and audio data along with outdoor temperature and wind speed. The best performing final models had mean cross-validation R2 values of 0.677 and 0.523 for UFP number concentrations and 0.825 and 0.735 for UFP size using two different test sets. Audio predictions from deep learning models were stronger predictors of spatiotemporal variations in UFP parameters than predictions based on street-level images; this was not explained only by noise levels captured in the audio signal. All final noise models had R2 values above 0.90. Collectively, our findings suggest that street-level images and audio data can be used to estimate spatiotemporal variations in outdoor UFPs and noise. This approach may be useful in developing exposure models over broad spatial scales and such models can be regularly updated to expand generalizability as more measurements become available.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».