A Global Spatial-Temporal Land Use Regression Model for Nitrogen Dioxide Air Pollution
Notice bibliographique
Résumé
The World Health Organization (WHO) recently reduced its health guideline for Nitrogen dioxide (NO 2) to annual and 24-hr means of 10 µg/m 3 (5.3 ppb) and 25 µg/m 3 (13.3 ppb). NO 2 is a criteria air pollutant that varies spatiotemporally at fine resolutions due to its relatively short lifetime (~hours) and current models have limited ability to capture this variation. To advance global exposure estimates, we created a daily global land use regression (LUR) model with 50 x 50 m 2 spatial resolution using 5.7 million daily air monitor averages collected from 8,250 monitor locations. In cross-validation, the model captured 47%, 59%, and 63% of daily, monthly, and annual global NO 2 variation. Daily, monthly, and annual root mean square error were 6.8, 5.0, and 4.4 ppb and absolute bias were 46%, 30%, and 21%, respectively. The final model has 11 variables, including road density and built environments with fine (30 m or less) spatial resolution and meteorological and satellite data with daily temporal resolution. Major roads and satellite-based estimates of NO 2 were consistently the strongest predictors in all regions. Daily model estimates from 2005-2019 are available 1 and can be used for global risk assessments and health studies, particularly in countries without NO 2 monitoring. Short synopsis: This is the first global NO 2 model with daily temporal and 50m spatial resolution, valuable for capturing NO 2 variation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».