Predicting air pollution spatial variation with street-level imagery
Notice bibliographique
Résumé
Air pollution has important and widely accepted implications on health outcomes [1,2,3,4].Advances in spatial and temporal estimation have been instrumental both in establishing health effects [2] and estimating impact on the burden of disease [1,5].Yet, we currently lack information on air pollution levels in many areas globally [1], especially at high spatial resolution.Limited spatial and temporal coverage of air quality models is partially due to input data requirements of existing estimation approaches including physically-based e.g., dispersion models, and geostatistical e.g., land use regression (LUR) models [6].Advances in deep learning methods and their success in computer vision applications led to a growing interest in using images for estimating air pollution levels [6,7,8,9,10,11,12,13].The rationale behind this interest is that information on common inputs to traditional approaches (e.g.land use, traffic, and built environment features) is, at least partially, visible from street-level and satellite images.If utilized effectively, this approach has the potential for scaling up to global coverage at high spatial and temporal resolution with increasing availability of imagery at low cost.Building on existing work, for this study, we obtained LUR based mean annual NO 2 (200m resolution raster) and PM 2.5 (100m resolution raster) estimates for 2010 from four cities: London, New York, Los Angeles, and Vancouver (BC) [14,15,16,17,18].To obtain images, a 100m grid for each city was created using the boundary shape files covering LUR model outputs.For each of the grid centroid points, we obtained the nearest street-level panorama image available from Google Street View that
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».