Exposure models for particulate matter elemental concentrations in Southern California
Notice bibliographique
Résumé
Due to a scarcity of routine monitoring of speciated particulate matter (PM), there has been limited capability to develop exposure models that robustly estimate component-specific concentrations. This paper presents the largest such study conducted in a single urban area. Using samples that were collected at 220 locations over two seasons, quasi-ultrafine (PM0.2), accumulation mode fine (PM0.2-2.5), and coarse (PM2.5-10) particulate matter concentrations were used to develop spatiotemporal regression, machine learning models that enabled predictions of 24 elemental components in eight Southern California communities. We used supervised variable selection of over 150 variables, largely from publicly available sources, including meteorological, roadway and traffic characteristics, land use, and dispersion model estimates of traffic emissions. PM components that have high oxidative potential (and potentially large health effects) or are otherwise important markers for major PM sources were the primary focus. We present results for copper, iron, and zinc (as non-tailpipe vehicle emissions); elemental carbon (diesel emissions); vanadium (ship emissions); calcium (soil dust); and sodium (sea salt). Spatiotemporal linear regression models with 17 to 36 predictor variables including meteorology; distance to different classifications of roads; intersections and off ramps within a given buffer distance; truck and vehicle traffic volumes; and near-roadway dispersion model estimates produced superior predictions over the machine learning approaches (cross validation R-squares ranged from 0.76 to 0.92). Our models are easily interpretable and appear to have more effectively captured spatial gradients in the metallic portion of PM than other comparably large studies, particularly near roadways for the non-tailpipe emissions. Furthermore, we demonstrated the importance of including spatiotemporally resolved meteorology in our models as it helped to provide key insights into spatial patterns and allowed us to make temporal predictions.
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) | 0,052 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».