A land use regression model for ultrafine particles in Vancouver, Canada
Notice bibliographique
Résumé
Background and Aims: Epidemiologic studies have associated adverse health outcomes with exposure to traffic-related air pollutants, principally NO₂, at levels below those showing effects in controlled exposure studies. This suggests the importance of related outdoor air contaminants, such as ultrafine particles (UFP) (<0.1µm in diameter). Presently, no UFP monitoring exists in North America and little information is available regarding UFP spatial distributions. We measured particle number concentrations (PNC) in Vancouver to develop a land use regression (LUR) model for use in epidemiologic studies and to identify important sources of UFP. Methods: During a two-week sampling period in spring 2010, PNC were measured with portable condensation particle counters (CPC) for 60-minutes at eighty locations used previously to characterize spatial variability in nitrogen oxides. Continuous PNC measuring occurred at four additional locations to assess temporal variation. LUR modeling was conducted using 135 geographic predictors, including: road length, vehicle density, intersection and bus stop density, land use type, fast food restaurant density, population density and others, following previously developed methods. A novel buffer approach incorporated meteorologic data through wedge-shaped wind roses from measurements made during PNC sampling, in addition to circular buffers. Results: The range of measured (60-minute median) PNC across locations varied 70-fold (range: 1500 – 105 000 particles/cm³, mean [SD] = 18 200 [15 900] particles/cm³). Correlations of PNC with concurrently measured two-week average NO₂, NO and NOX concentrations at the same sites were 0.64, 0.65 and 0.70. A model (R² = 0.48, leave-one-out cross validation R² = 0.32) predicting PNC included length of truck routes within 50m, density of fast food locations within 200m and ln-distance to the nearest port. LUR models created with wind rose shaped buffers had lower predictive power than models with circular buffers (R² = 0.29 – 0.34). Conclusions: Measured PNC was highly variable across the Metro Vancouver region and correlated with nitrogen oxides. Geographic predictors explained a smaller proportion of variability in PNC than found previously for nitrogen oxides, suggesting some common sources and additional unknown factors influencing PNC spatial variability. This represents the first LUR model for UFP in North America.
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 | 0,001 | 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) | 0,001 | 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 ».