Predicting Within-City Spatial Variations in Outdoor Ultrafine Particle and Black Carbon Concentrations in Bucaramanga, Colombia: A Hybrid Approach Using Open-Source Geographic Data and Digital Images
Notice bibliographique
Résumé
Outdoor ultrafine particles (UFP, <0.1 μm) and black carbon (BC) vary greatly within cities and may have adverse impacts on human health. In this study, we used a hybrid approach to develop new models to estimate within-city spatial variations in outdoor UFP and BC concentrations across Bucaramanga, Colombia. We conducted a mobile monitoring campaign over 20 days in 2019. Regression models were trained on land use data and combined with predictions from convolutional neural networks (CNN) trained to predict UFP and BC concentrations using satellite and street-level images. The combined UFP model ( R 2 = 0.54) outperformed the CNN ( R 2 = 0.47) and land use regression (LUR) models ( R 2 = 0.47) on their own. Similarly, the combined BC model also outperformed the CNN and LUR BC models ( R 2 = 0.51 vs 0.43 and 0.45, respectively). Spatial variations in model performance were more stable for the CNN and combined models compared to the LUR models, suggesting that the combined approach may be less likely to contribute to differential exposure measurement error in epidemiological studies. In general, our findings demonstrated that satellite and street-level images can be combined with a traditional LUR modeling approach to improve predictions of within-city spatial variations in outdoor UFP and BC concentrations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».