Methodological issues in relation to the development of land use regression models and exposure surfaces of ultrafine air pollutants : exposure assessment of outdoor ultrafine particles for epidemiological risk analyses in the Montreal area
Notice bibliographique
Résumé
Introduction: Les particules ultrafines (PUF) constituent la plus petite fraction de matières particulaires (MP) actuellement mesurable avec des diamètres aérodynamiques <0,1 µm. En raison de leur taille plus petite et de leur surface collective plus élevée que d’autres particules plus grossières, les PUF pourraient avoir des effets plus importants sur la santé. Objectifs: L’objectif ultime de ce projet doctoral est de développer des surfaces d’exposition aux PUF les plus valides possible pour la région de Montréal. Afin d’atteindre cet objectif ultime, nous devions répondre à trois objectifs méthodologiques intermédiaires : Premièrement, évaluer la variabilité spatiale et temporelle des PUF dans la région de Montréal. Deuxièmement, construire des modèles LUR (Land Use Regression) spécifiques à deux saisons (été, hiver) avec différentes transformations de variables et stratégies de sélection de variables. Troisièmement, dériver des surfaces d’exposition aux PUF à l’aide de prévisions de modèles LUR. Méthodes: Nous avons utilisé les données recueillies lors de campagnes de surveillance en site fixe dans la région de Montréal, où les PUF ont été mesurées en hiver (mars 2013) et en été (août-septembre 2015) sur 249 sites d’échantillonnage. Lors de chaque campagne, chacun des sites d’échantillonnage a été visité trois fois pendant trois semaines consécutives. Chaque visite d’échantillonnage comprenait une période de mesure de 20 minutes pour les PUF avec une mesure toutes les secondes. Pour le premier sous-objectif, nous avons étudié la variabilité spatiale des PUF par rapport à deux catégories géographiques différentes de sites d’échantillonnage. Nous avons étudié la variabilité temporelle des PUF à différents niveaux de temps. Pour le deuxième sous-objectif, nous avons calculé près d’une centaine de prédicteurs candidats à la construction des modèles LUR. Nous avons normalisé la distribution des prédicteurs les plus biaisés. Nous avons sélectionné les prédicteurs les plus pertinents parmi leurs variations avant de construire des modèles LUR parcimonieux spécifiques à la saison en suivant des algorithmes de sélection progressive avant et arrière. Pour le troisième sous-objectif, nous avons généré les surfaces d’exposition aux PUF correspondants aux modèles LUR basés sur la prédiction qui comprenaient trente prédicteurs (appelés « modèles complets »). Résultats et conclusions: Nous avons constaté qu’il existe une variabilité considérable des niveaux des PUF dans le temps et dans l’espace. Les niveaux de PUF en hiver étaient presque deux fois plus élevés que ceux observés en été. Les prédicteurs candidats dont la distribution est asymétrique doivent être normalisés avant la construction du modèle afin de minimiser les valeurs aberrantes des PUF qui pourraient ne pas être représentatives des PUF réelles dans la zone d’étude. Nous avons pu générer des contrastes plus fins des PUF dans les surfaces d’exposition générées à l’aide de modèles complets, qui pourraient être plus représentatifs de la distribution spatiale réelle des PUF dans la zone d’étude, par rapport aux modèles parcimonieux classiquement utilisés dans la littérature. Les surfaces d’exposition spécifiques aux saisons générées à l’aide de modèles complets pourraient contribuer à réduire les erreurs de classification non-différentielles d’exposition aux PUF dans les études épidémiologiques.
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 | 0,046 | 0,125 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».