Refining Air Pollution Exposure Estimates: A Comparison of Citywide and Neighborhood Land Use Regression Models in Toronto
Notice bibliographique
Résumé
Land use regression (LUR) models assess air pollution exposure but often struggle with transferability (predicting concentrations in areas without measurements) and generalizability (capturing spatial patterns across neighborhoods). This study evaluated transferability and generalizability of Toronto City LUR models for black carbon (BC) and ultrafine particles (UFP) using mobile monitoring data. Models were developed using multiple linear regression (MLR) and XGBoost under three spatial configurations: Toronto City (TC), Toronto City minus a neighborhood (TCM-NB), and neighborhood-specific (NB). Transferability of TCM-NB models and generalizability of TC models were tested using neighborhood-specific data and compared to NB models. XGBoost outperformed MLR, achieving R 2 of 0.77 for UFP and 0.54 for BC in TC models compared to 0.32 and 0.27 for MLR. TC models exhibited poor generalizability, with R 2 dropping to 0.1 in certain neighborhoods. Similarly, TCM-NB models exhibited limited transferability, with MLR slightly outperforming XGBoost ( R 2 of 0.3 vs 0.2). Hyperparameter tuning with spatial cross-validation improved XGBoost transferability and generalizability, with R 2 increases of up to 0.2 for both UFP and BC depending on the neighborhood. These findings highlight the importance of monitoring campaigns covering diverse urban environments and adopting tailored modeling approaches to capture neighborhood-specific pollution sources to advance air pollution exposure assessment.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».