Identification of Neighborhood Hotspots via the Cumulative Hazard Index: Results From a Community‐Partnered Low‐Cost Sensor Deployment
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
Abstract The Strathcona neighborhood in Vancouver is particularly vulnerable to environmental injustice due to its close proximity to the Port of Vancouver, and a high proportion of Indigenous and low‐income households. Furthermore, local sources of air pollutants (e.g., roadways) can contribute to small‐scale variations within communities. The aim of this study was to assess hyperlocal air quality patterns (intra‐neighborhood variability) and compare them to average Vancouver concentrations (inter‐neighborhood variability) to identify possible disparities in air pollution exposure for the Strathcona community. Between April and August 2022, 11 low‐cost sensors (LCS) were deployed within the neighborhood to measure PM 2.5 , NO 2 , and O 3 concentrations. The collected 15‐min concentrations were down‐averaged to daily concentrations and compared to greater Vancouver region concentrations to quantify the exposures faced by the community relative to the rest of the region. Concentrations were also estimated at every 25 m grid within the neighborhood to quantify the distribution of air pollution within the community. Using population information from census data, cumulative hazard indices (CHIs) were computed for every dissemination block. We found that although PM 2.5 concentrations in the neighborhood were lower than regional Vancouver averages, daily NO 2 concentrations and summer O 3 concentrations were consistently higher. Additionally, although CHIs varied daily, we found that CHIs were consistently higher in areas with high commercial activity. As such, estimating CHI for dissemination blocks was useful in identifying hotspots and potential areas of concern within the neighborhood. This information can collectively assist the community in their advocacy efforts.
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 | 0,002 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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