Enhancing Wildfire Smoke Exposure Assessment: A Machine Learning Approach to Predict Indoor PM <sub>2.5</sub> in British Columbia, Canada
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Epidemiological studies typically model wildfire smoke exposure by predicting outdoor fine particulate matter (PM 2.5 ) concentrations, overlooking indoor environments where people spend most of their time. This discrepancy can lead to exposure misclassification for wildfire smoke and other air pollutants. We developed a machine learning (ML) model for estimating daily indoor and outdoor PM 2.5 concentrations in British Columbia, Canada, using an ensemble of nonparametric ML algorithms during the 2022 and 2023 wildfire seasons. For model training, we included daily PM 2.5 concentrations collected at 44 care facilities equipped with low-cost air quality sensors colocated indoors and outdoors. Model predictors for both indoor and outdoor PM 2.5 at the facilities included outdoor PM 2.5 and meteorological data from Canada’s National Air Pollution Surveillance Program and Purple Air sensors. The indoor and outdoor models were evaluated with cross validation and then used to compare exposure-response relationships for asthma inhaler dispensations, as an indicator of population respiratory health. Ensemble models accurately predicted PM 2.5 indoors (RMSE = 3.29 μg/m 3; R 2 = 0.71) and outdoors (RMSE = 3.80 μg/m 3; R 2 = 0.78). For the out-of-sample validation set (2023 wildfire season), the indoor model had a lower RMSE than the outdoor one (RMSE Indoor = 6.65 μg/m 3 vs RMSE Outdoor = 9.64 μg/m 3 ). The effect estimates for the relationship between indoor PM 2.5 and inhaler dispensations were higher than that for outdoor PM 2.5 . These results suggest that population-scale indoor PM 2.5 exposure assessment is feasible for wildfire smoke epidemiology research, and that using outdoor estimates may bias the true relationship toward the null.
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 | 0,001 |
| 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 | 0,001 |
| 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 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 ».