A Statistical Model Explaining Air Pollution Exposures of Cyclists in Urban Environments
Notice bibliographique
Résumé
Understanding the factors that influence a cyclist’s exposure to air pollution is an important component of designing a healthful, high quality urban cycling network. This study analyzes the results from a large mobile data collection exercise, conducted in Montreal, Quebec, Canada during the summer of 2012. Research assistants covered approximately 475 km of unique roadway on bicycles equipped with instruments to measure ultra-fine particle concentrations (UFP), black carbon (BC), and GPS coordinates at one-second intervals. The spatial extent of the data collection included a diverse array of cycling facilities and land use patterns. Linear regression models were estimated for UFP (R²=0.3963) and BC (R²=0.4528), along with descriptive statistical analysis on many of the variables processed. Levels of UFP (2,653-75,374 #/cm³) and BC (68-70,322 ng/m³) varied greatly across the study area. Presence in a downtown location was the strongest parameter in both models. Following this, the UFP model was strongly 12 influenced by wind speed (β= -0.247), temperature (β= -0.192), and distance from a restaurant 13 (β= -0.115), while the BC model was most influenced by the distance to the nearest highway (β= 14 -0.285), relative humidity (β=0.250), and congestion (β=0.133). No aggregate difference was 15 observed between in-street cycling and cycle tracks, however park trails had noticeably lower 16 pollution levels. This may be due in part to higher traffic density on streets with cycle tracks 17 offsetting reductions gained by their greater distance from tailpipe emissions.
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».