Predicting intraurban airborne PM1.0-trace elements in a port city: Land use regression by ordinary least squares and a machine learning algorithm
Notice bibliographique
Résumé
Airborne particulate matter (PM) has been associated with cardiovascular and respiratory morbidity and mortality, and there is some evidence that spatially varying metals found in PM may contribute to adverse health effects. We developed spatially refined models for PM trace elements using ordinary least squares land use regression (OLS-LUR) and machine leaning random forest land-use regression (RF-LUR). Two-week integrated measurements of PM1.0 (median aerodiameter < 1.0 μm) were collected at 50 sampling sites during fall (2010), winter (2011), and summer (2011) in the Halifax Regional Municipality, Nova Scotia, Canada. PM1.0 filters were analyzed for metals and trace elements using inductively coupled plasma-mass spectrometry. OLS- and RF-LUR models were developed for approximately 30 PM1.0 trace elements in each season. Model predictors included industrial, commercial, and institutional/ government/ military land use, roadways, shipping, other transportation sources, and wind rose information. RF generated more accurate models than OLS for most trace elements based on 5-fold cross validation. On average, summer models had the highest cross validation R2 (OLS-LUR = 0.40, RF-LUR = 0.46), while fall had the lowest (OLS-LUR = 0.27, RF-LUR = 0.31). Many OLS-LUR models displayed overprediction in the final exposure surface. In contrast, RF-LUR models did not exhibit overpredictions. Taking overpredictions and cross validation performances into account, OLS-LUR performed better than RF-LUR in roughly 20% of the seasonal trace element models. RF-LUR models provided more interpretable predictors in most cases. Seasonal predictors varied, likely due to differences in seasonal distribution of trace elements related to source activity, and meteorology.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| 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 | 0,000 |
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 ».