Capturing Exposure Disparities with Chemical Transport Models: Evaluating the Suitability of Downscaling Using Land Use Regression
Notice bibliographique
Résumé
High resolution exposure surfaces are essential to capture disparities in exposure to traffic-related air pollution in urban areas. In this study, we develop an approach to downscale Chemical Transport Model (CTM) simulations to a hyperlocal level (∼100m) in the Greater Toronto Area (GTA) under three scenarios where emissions from cars, trucks and buses are zeroed out, thus capturing the burden of each transportation mode. This proposed approach statistically fuses CTMs with Land-Use Regression using machine learning techniques. With this proposed downscaling approach, changes in air pollutant concentrations under different scenarios are appropriately captured by downscaling factors that are trained to reflect the spatial distribution of emission reductions. Our validation analysis shows that high-resolution models resulted in better performance than coarse models when compared with observations at reference stations. We used this downscaling approach to assess disparities in exposure to nitrogen dioxide (NO 2 ) for populations composed of renters, low-income households, recent immigrants, and visible minorities. Individuals in all four categories were disproportionately exposed to the burden of cars, trucks, and buses. We conducted this analysis at spatial resolutions of 12, 4, 1 km, and 100 m and observed that disparities were significantly underestimated when using coarse spatial resolutions. This reinforces the need for high-spatial resolution exposure surfaces for environmental justice analyses.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».