Predicting within-city spatiotemporal variations in daily median outdoor ultrafine particle number concentrations and size in Montreal and Toronto, Canada
Notice bibliographique
Résumé
Background: Epidemiological evidence suggests that long-term exposure to outdoor ultrafine particles (UFPs, <0.1 μm) may have important human health impacts. However, less is known about the acute health impacts of these pollutants as few models are available to estimate daily within-city spatiotemporal variations in outdoor UFPs. Methods: Several machine learning approaches (i.e., generalized additive models, random forest models, and extreme gradient boosting) were used to predict daily spatiotemporal variations in outdoor UFPs (number concentration and size) across Montreal and Toronto, Canada using a large database of mobile monitoring measurements. Separate models were developed for each city and all models were evaluated using a 10-fold cross-validation procedure. Results: In total, our models were based on measurements from 12,705 road segments in Montreal and 10,929 road segments in Toronto. Daily median outdoor UFP number concentrations varied substantially across both cities with 1st–99th percentiles ranging from 1389 to 181,672 in Montreal and 2472 to 118,544 in Toronto. Outdoor UFP size tended to be smaller in Montreal (mean [SD]: 34 nm [15]) than in Toronto (mean [SD]: 44 nm [25]). Extreme gradient boosting models performed best and explained the majority of spatiotemporal variations in outdoor UFP number concentrations (Montreal, R 2 : 0.727; Toronto, R 2 : 0.723) and UFP size (Montreal, R 2 : 0.823; Toronto, R 2 : 0.898) with slopes close to one and intercepts close to zero for relationships between measured and predicted values. Conclusion: These new models will be applied in future epidemiological studies examining the acute health impacts of outdoor UFPs in Canada’s two largest cities.
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 | 0,001 | 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) | 0,002 | 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 ».