The transferability of NO and NO² land use regression models between cities and pollutants
Notice bibliographique
Résumé
Land use regression (LUR) models are commonly used for exposure assessment in epidemiologic studies of traffic-related air pollution. Models in different cities often contain similar predictors, suggesting that models may be transferable between cities with similar characteristics. LUR models of NO or NO2 may also be useful for estimating exposure to other pollutants in the traffic pollution mixture. We evaluated the transferability of NO and NO2 LUR models between Winnipeg, Manitoba and Edmonton, Alberta, and the ability of the Winnipeg NO and NO2 LUR models to predict concentrations of benzene and toluene. In both cities, LUR models were developed based on measurements with Ogawa passive samplers at 50 locations during two 14-day sampling campaigns, while benzene and toluene concentrations in Winnipeg were measured at 46 independent locations using 3M #3500 passive badges during a single 14-day period. Locally calibrated LUR models explained more variability in NO2 (R2: 0.81-0.84) than NO(R2: 0.55-0.56). Although models transferred to the opposite city did not perform as well as the locally calibrated models for NO2 (R2: 0.37-0.52) or NO (R2: 0.24-0.41), the transferred models explained more variability than simple binary or continuous road proximity metrics (R2 <=0.19), which are commonly used in epidemiologic studies. In Winnipeg, the NO2 LUR model explained 34% and 19% of the variation in benzene and toluene, respectively, while road proximity metrics explained <=19% of the variation in both pollutants. In conclusion, epidemiologic studies will achieve better exposure assessments by developing LUR models locally and for the pollutant of interest, though transferred LUR models may provide a cost-effective improvement over road proximity metrics for assessing exposure to trafficrelated air pollution.
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 | 0,009 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».