A global spatial-temporal land use regression model for nitrogen dioxide air pollution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction: The World Health Organization (WHO) recently revised its health guidelines for Nitrogen dioxide (NO 2 ) air pollution, reducing the annual mean NO 2 level to 10 μg/m 3 (5.3 ppb) and the 24-h mean to 25 μg/m 3 (13.3 ppb). NO 2 is a pollutant of global concern, but it is also a criteria air pollutant that varies spatiotemporally at fine resolutions due to its relatively short lifetime (~hours). Current models have limited ability to capture both temporal and spatial NO 2 variation and none are available with global coverage. Land use regression (LUR) models that incorporate timevarying predictors (e.g., meteorology and satellite NO 2 measures) and land use characteristics (e.g., road density, emission sources) have significant potential to address this need. Methods: We created a daily Land use regression model with 50 × 50 m 2 spatial resolution using 5.7 million daily air monitor averages collected from 8,250 monitor locations. Results: 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 of NO 2 measurements in all regions. Discussion: Daily model estimates from 2005–2019 are available and can be used for global risk assessments and health studies, particularly in countries without NO 2 monitoring.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle