popexposure: An open-source Python package to find the number of people residing near environmental hazards quickly and efficiently
Notice bibliographique
Résumé
Abstract Environmental scientists often assess exposure to hazards using residential proximity (i.e., they consider an individual living near a hazard to be exposed). Such assessment requires large, fine-scale spatial datasets that describe locations of environmental hazards and residential populations. Manipulating such datasets is technically demanding, slow, memory-intensive, and difficult to optimize for speed and memory use. Currently, individual research teams each write their own algorithms for this task. This may lead to inconsistencies in assumptions, methods, and results. We developed an open-source Python package, popexposure , which quickly, efficiently, and consistently estimates the number of people living near environmental hazards. Given a set of distinct hazard geometries and corresponding buffer distances, popexposure can estimate the number of people living within the buffered area of each hazard using a gridded population dataset. popexposure can also estimate the number of people living within the buffer distance of each hazard by additional administrative geographies. For example, users can calculate the number of people exposed to hazards in each census tract or zip code tabulation area (ZCTA). popexposure addresses common issues encountered in this calculation: whether or not to double-count people exposed to more than one hazard, proper pixel apportionment, choosing appropriate map projections for data covering large areas, and optimizing speed and memory. In this paper, we describe popexposure ’s functionality and provide an example use case, calculating the proportion of people exposed to any wildfire burn zone disaster in California in 2018 in each ZCTA. What this study adds Environmental epidemiologists often assess exposure to hazards using residential proximity (i.e., they consider an individual exposed if they live near a hazard). This computation presents technical difficulties, and different research teams each apply their own solution, since no software currently exists to do this task. We developed an open-source Python package, popexposure , which quickly, efficiently, and consistently estimates the number of people living near environmental hazards. Here, we describe the package and provide an example use case, applying popexposure to compute the proportion of people exposed to any wildfire burn zone disaster in California in 2018 in each ZCTA.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,024 |
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 ».