Eighteen years of daily PM2.5 predictions (2005–2022) for a region of western Canada: Machine learning and satellite inputs for applications in rural health
Notice bibliographique
Résumé
ABSTRACT Northeastern British Columbia is a rural and remote region in Western Canada that is experiencing rapid growth in unconventional oil and gas development (UOGD) and increasingly severe wildfire impacts. Air quality is a concern for the communities in the region, but there is very limited air pollution monitoring. To address this gap, this study explores the application of machine learning to the satellite-based estimates of aerosols and meteorology from the Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2) to estimate daily fine particulate matter (PM 2.5 ) at a spatial and temporal resolution relevant for ongoing health studies. The random forest model was trained and validated on the ground-level air quality monitoring network from 2013 to 2022 and then used to predict and backcast daily concentrations in the study area at a 50-kilometer resolution from 2005 to 2022. The predictions were then compared to global and provincial health guidelines and analyzed for annual trends. Our model achieved a 10-fold cross validation root mean square error (RMSE) and R 2 of 3.89 μg/m 3 and 0.77, and test scores of 3.02 μg/m 3 and 0.78. Between 2006 and 2021, the number of days exceeding PM 2.5 guidelines increased by 122%, and the person-days exceeding the guideline increased by 166%. At our spatial resolution, we find that wildfire is a more important variable in predicting daily PM 2.5 concentrations compared to UOGD. We demonstrate the application of satellite reanalysis products to estimate ground-level PM 2.5 in a rural area of Canada with minimal ground monitoring stations.
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 | 0,000 | 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 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 ».