MétaCan
Menu
Retour à la cohorte
Enregistrement W6939429500 · doi:10.6084/m9.figshare.23153341.v1

Characterization of the short-term temporal variability of road dust chemical mixtures and meteorological profiles in a near-road urban site in British Columbia

2023· article· en· W6939429500 sur OpenAlexaboutno aff

Notice bibliographique

RevueFigshare · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSmart Materials for Construction
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSnowRelative humidityAir quality indexHumidityRoad dustPrecipitationParticulatesMineral dust

Résumé

récupéré en direct d'OpenAlex

Springtime road dust is a common air quality concern for northern latitudes communities. Traction material, brake wear, tire wear, and other particles entrained in snow during winter become re-suspended into the air as the snow melts. Characterization of within-season variability of road dust composition and weather conditions is critical to understanding its acute health impacts. Sixty 24-hour samples of PM<sub>10</sub> were collected with a high-volume sampler at a near-road site in Prince George, British Columbia. Near-road samples were collected intermittently in winter and daily in spring. All samples were analyzed for 18 trace elements. We used data from a nearby regulatory monitor to estimate daily coarse fraction (PM<sub>10–2.5</sub>). Proportion of PM<sub>10–2.5</sub> in PM<sub>10</sub> was used to classify days as high or low road dust based on a threshold of 65% PM<sub>10–2.5</sub>. We identified clusters of near-road samples based on weather parameters and PM<sub>10</sub> components using Bayesian profile regression (BPR). Twenty-one near-road PM<sub>10</sub> samples were classified as high road dust days and 34 as low road dust days. Concentrations of total trace elements and specific trace elements were significantly higher on high road dust days (aluminum, chromium, iron, lead, tin, vanadium, and zinc). High road dust days also had low relative humidity and precipitation and higher temperature and air pressure. We identified five clusters of near-road PM<sub>10</sub> mixtures that suggested an interaction between temperature and humidity for road dust impacts. Samples from a near-road site indicated days highly affected by springtime road dust are distinct from other days based on particulate mixtures and meteorological factors. Higher loading of trace element mixtures in PM<sub>10</sub> on high road dust days has important implications for acute toxicity of road dust. Relationships between road dust and weather may facilitate further research into health effects of road dust as the climate changes. <i>Implications</i>: Non-tailpipe emissions driven by springtime road dust in northern latitude communities is increasing in importance for air pollution control and improving our understanding of the health effects of chemical mixtures from particulate matter exposure. High-volume samples from a near-road site indicated that days affected by springtime road dust are substantively different from other days with respect to particulate matter mixture composition and meteorological drivers. The high load of trace elements in PM<sub>10</sub> on high road dust days has important implications for the acute toxicity of inhaled air and subsequent health effects. The complex relationships between road dust and weather identified in this study may facilitate further research on the health effects of chemical mixtures related to road dust while also highlighting potential changes in this unique form of air pollution as the climate changes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,201
Score d'incertitude au seuil0,988

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0120,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,211
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshareMême sujetSmart Materials for ConstructionTravaux en français237 207