Remote sensing metrics to assess exposure to residential greenness in epidemiological studies: A population case study from the Eastern Mediterranean
Notice bibliographique
Résumé
INTRODUCTION/AIMS: Application of remote sensing-based metrics of exposure to vegetation in epidemiological studies of residential greenness is typically limited to several standard products. The Normalized Difference Vegetation Index (NDVI) is the most widely used, but its precision varies with vegetation density and soil color/moisture. In areas with heterogeneous vegetation cover, the Soil-adjusted Vegetation Index (SAVI) corrects for soil brightness. Linear Spectral Unmixing (LSU), measures the relative contribution of different land covers, and estimates percent of each over a unit area. We compared the precision of NDVI, SAVI and LSU for quantifying residential greenness in areas with high spatial heterogeneity in vegetation cover. METHODS: NDVI, SAVI, and LSU in a 300 m radius surrounding homes of 3,188 cardiac patients living in Israel (Eastern Mediterranean) were derived from Landsat 30 m spatial resolution imagery. Metrics were compared to assess shifts in exposure quartiles and differences in vegetation detection as a function of overall greenness, climatic zones, and population density, using NDVI as the reference method. RESULTS: For the entire population, the dispersion (SD) of the vegetation values detected was 60% higher when greenness was measured using LSU compared to NDVI: mean (SD) NDVI: 0.17 (0.05), LSU (%): 0.23 (0.08), SAVI: 0.12 (0.03). Importantly, with an increase in population density, the sensitivity of LSU, compared to NDVI, doubled: There was a 95% difference between the LSU and NDVI interquartile range in the highest population density quartile vs 47% in the lowest quartile. Compared to NDVI, exposures estimated by LSU resulted in 21% of patients changing exposure quartiles. In urban areas, the shift in exposure quartile depended on land cover characteristics. An upward shift occurred in dense urban areas, while no shift occurred in high and low vegetated urban areas. CONCLUSIONS: LSU was shown to outperform the commonly used NDVI in terms of accuracy and variability, especially in dense urban areas. Therefore, LSU potentially improves exposure assessment precision, implying reduced exposure misclassification.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».