Inequities in ambient fine particulate matter: A spatiotemporal analysis in Canadian communities
Notice bibliographique
Résumé
Exposure to fine particulate matter (PM2.5) is associated with adverse health outcomes but communities are not randomly exposed to PM2.5. Previous cross-sectional environmental injustice analyses in Canada found disproportionately higher exposure to PM2.5 in low-income populations, visible minorities and immigrants. Beyond static surveillance, it is also important to evaluate how changes in PM2.5 exposure over time may differentially impact disadvantaged communities. We examine whether communities with different sociodemographic characteristics benefited equitably from the overall decreases in ambient concentrations of PM2.5 from 2001 to 2016 in Canada. We derived census tract level estimates of average annual PM2.5 using validated satellite-based estimations of annual average PM2.5 concentration surfaces. We investigated how the spatial distribution of PM2.5 has evolved over 15 years (2001–2016) by comparing absolute values and rank percentiles of census tract level annual average PM2.5 concentrations in 2001 and 2016. Using decennial census data and multivariable linear regression, we determined if sociodemographic characteristics are associated with changes in exposure to PM2.5, accounting for geographic boundary changes between census periods. Overall, ambient PM2.5 concentrations decreased from 2001 (median of 9.1 μg/m3) to 2016 (median of 6.4 μg/m3), with varying provincial patterns. Across communities, ranked census tract specific PM2.5 in 2001 and in 2016 are highly correlated (Spearman's rho = 0.75). We found that, on average and accounting for provincial differences and baseline PM2.5, communities with greater density of aboriginal population, lower education, higher shelter-cost-to-income ratio, unemployment or lower income experienced smaller absolute decreases in PM2.5 from 2001 to 2016. Identifying sociodemographic groups that benefit least from decreasing exposure to PM2.5 highlights the need to consider environmental injustice when designing or revising air pollution policies.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,010 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».