Predicting spatial variations in annual average outdoor ultrafine particle concentrations in Montreal and Toronto, Canada: Integrating land use regression and deep learning models
Notice bibliographique
Résumé
Concentrations of outdoor ultrafine particles (UFP; < 0.1 µm) and black carbon (BC) can vary greatly within cities and long-term exposures to these pollutants have been associated with a variety of adverse health outcomes. This study integrated multiple approaches to develop new models to estimate within-city spatial variations in annual median (i.e. average) outdoor UFP and BC concentrations as well as mean UFP size in Canada’s two largest cities, Montreal and Toronto. We conducted year-long mobile monitoring campaigns in each city that included evenings and weekends. We developed generalized additive models trained on land use parameters and deep Convolutional Neural Network (CNN) models trained on satellite-view images. Using predictions from these models, we developed final combined models. In Toronto, the median observed UFP concentration, UFP size, and BC concentration values were 16,172 pt/cm3, 33.7 nm, and 1225 ng/m3, respectively. In Montreal, the median observed UFP concentration, UFP size, and BC concentration values were 14,702 pt/cm3, 29.7 nm, and 1060 ng/m3, respectively. For all pollutants in both cities, the proportion of spatial variation explained (i.e., R2) was slightly greater (1-2 percentage points) for the combined models than the generalized additive models and a greater (approximately 10 percentage points) than the deep CNN models. The Toronto combined model R2 values in the test set were 0.73, 0.55, and 0.61 for UFP concentrations, UFP size, and BC concentration, respectively. The Montreal combined model R2 values were 0.60, 0.49, and 0.60 for UFP concentration, UFP size, and BC concentration models respectively. For each pollutant, predictions from the combined, deep CNN, and generalized additive models were highly correlated with each other and differences between models were explored in sensitivity analyses. Predictions from these models are available to support future epidemiological research examining long-term health impacts of outdoor UFPs and BC.
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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».