Land-Use Regression Analysis of Summer Tropospheric Ozone Concentrations in Ireland
Notice bibliographique
Résumé
Tropospheric ozone is a powerful oxidant that can damage living organisms; it is widely monitored, as air concentrations have more than doubled since the Industrial Revolution. However, in general air quality monitoring stations are limited spatially to large urban centres; accordingly, accurate prediction of concentrations outside of cities is important for protecting human and plant health. Land-use regression has been successfully used for modelling air pollutant concentrations by establishing a relationship between observed concentrations and landscape features representing sources and sinks. In this study, we developed a land-use regression model that explained 68% of the variance of summer average ozone concentrations in the Republic of Ireland. Ozone was measured at 14 active and 20 passive monitoring sites; air concentrations varied spatially, with the highest ozone measured in rural upland (64.5 µg/m3) and Atlantic coastal (50.2–60.5 µg/m3) sites and the lowest generally in urban centres (38.9–45.7 µg/m3). A total of 74 land-use predictor variables were tested, and their inclusion in the model was based on their impact on the coefficient of determination (R2). The final model included variables linked primarily to deposition processes and included “forest woodland and scrub area” and “distance to coast”. The meteorological variable “rain” and an indicator for NOx emissions “distance to EPA Integrated Pollution Control facilities” were also included in the final model. Our results demonstrate the potential effectiveness of land-use regression modelling in predicting ozone concentrations, at a scale relevant for ecosystem protection.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».