Personal exposures to PM2.5 in rural Beijing, China: Spatial-temporal variation patterns and modeling approaches
Notice bibliographique
Résumé
Background and aims Household air pollution is a leading health risk factor for global morbidity and mortality. However, studies with high quality personal exposure data in settings of household air pollution are very limited. To investigate the levels and patterns of personal exposures to PM₂.₅ in rural Beijing and develop a personal exposure model, we conducted measurements in over 500 households in 50 villages in rural Beijing over two winters. Methods Adults (> 40-year-old) from 10 randomly selected households in each village were recruited to wear a personal exposure sampler (Ultrasonic Personal Aerosol Samplers, UPAS) to measure 24-h exposures. Indoor PM₂.₅ was concurrently monitored in 300 households using calibrated low-cost sensors (Plantower) and outdoor PM₂.₅ was monitored at the community levels using the same sensors. We also administered a survey to collect household socio-demographic information, fuel use patterns, and general physical activity patterns. Mixed-effects models and quantile regression were applied to investigate distributional effects in indoor and outdoor PM₂.₅ and temperature, heating energy use, and other socio-demographic factors on personal exposures. Results Personal PM₂.₅ decreased by 39 (95%CI: 3.8-74) μg/m³ for participants who shifted from solid fuel to clean energy for heating between study years, but the reduction in participants who continued using solid fuel was only 27 (95%CI: 9.9-44) μg/m³. Indoor and outdoor PM₂.₅ explained the largest proportion of personal PM₂.₅ variance. Less wealthy participants who were current smokers and used solid fuels for space heating tended to have higher exposures. In quantile regression, at high quantiles of personal exposure levels, the influences of indoor PM₂.₅ on personal exposures enlarged. Conclusions Transitions to clean energy for space heating improved indoor air quality and personal exposures. The influence of different variables on personal exposures varied by exposure levels, and it is essential to model personal exposures by exposure levels.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».