The risks of warm nights and wet days in the context of climate change: assessing road safety outcomes in Boston, USA and Santo Domingo, Dominican Republic
Notice bibliographique
Résumé
BACKGROUND: There remains a dearth of cross-city comparisons on the impact of climate change through extreme temperature and precipitation events on road safety. We examined trends in traffic fatalities, injuries and property damage associated with high temperatures and heavy rains in Boston (USA) and Santo Domingo (Dominican Republic). METHODS: Official publicly available data on daily traffic outcomes and weather conditions during the warm season (May to September) were used for Boston (2002-2015) and Santo Domingo (2013-2017). Daily maximum temperatures and mean precipitations for each city were considered for classifying hot days, warm days, and warm nights, and wet, very wet, and extremely wet days. Time-series analyses were used to assess the relationship between temperature and precipitation and daily traffic outcomes, using a quasi-Poisson regression. RESULTS: In Santo Domingo, the presence of a warm night increased traffic fatalities with a rate ratio (RR) of 1.31 (95% CI [confidence interval]: 1.00,1.71). In Boston, precipitation factors (particularly, extremely wet days) were associated with increments in traffic injuries (RR 1.25, 95% CI: 1.18, 1.32) and property damages (RR 1.42, 95% CI: 1.33, 1.51). CONCLUSION: During the warm season, mixed associations between weather conditions and traffic outcomes were found across Santo Domingo and Boston. In Boston, increases in heavy precipitation events were associated with higher traffic injuries and property damage. As climate change-related heavy precipitation events are projected to increase in the USA, the associations found in this study should be of interest for road safety planning in a rapidly changing environment.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».