Satellite Data for Environmental Justice: A Scoping Review of the Literature in the United States
Notice bibliographique
Résumé
In support of the environmental justice (EJ) movement, researchers, activists, and policymakers often use environmental data to document evidence of the unequal distribution of environmental burdens and benefits along lines of race, class, and other socioeconomic characteristics. Numerous limitations, such as spatial or temporal discontinuities, exist with commonly used data measurement techniques, which include ground monitoring and federal screening tools. Satellite data is well poised to address these gaps in EJ measurement and monitoring; however, little is known about how satellite data has advanced findings in EJ or can help to promote EJ through interventions. Thus, this scoping review aims to 1) explore trends in study design, topics, geographic scope, and satellite datasets used to research EJ, 2) synthesize findings from studies that use satellite data to characterize disparities and inequities across socio-demographic groups for various environmental categories, and 3) capture how satellite data are relevant to policy and real-world impact. Following PRISMA extension guidelines for scoping reviews, we retrieved 81 articles that applied satellite data for EJ research in the United States from 2000 to 2022. The majority of the studies leveraged the technical advantages of satellite data to identify socio-demographic disparities in exposure to environmental risk factors, such as air pollution, and access to environmental benefits, such as green space, at wider coverage and with greater precision than previously possible. These disparities in exposure and access are associated with health outcomes such as increased cardiovascular and respiratory diseases, mental illness, and mortality. Research using satellite data to illuminate EJ concerns can contribute to efforts to mitigate environmental inequalities and reduce health disparities. Satellite data for EJ research can therefore support targeted interventions or influence planning and policy changes, but significant work remains to facilitate the application of satellite data for policy and community impact.
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 | 0,032 | 0,125 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,035 | 0,046 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».