view in publisher's site
- خانه
- لیست مقالات
- چکیده
Effects of spatial sampling density and spatial extent on linear land use regression modelling of NO2 estimates in an automobile-oriented city
Highlights•Nitrogen dioxide pollution was measured using three spatial sampling extents.•Linear regression models are robust to varying spatial extent and sampling density.•Largest sampling extent model with low sampling density is the most predictive.•Smallest extent model with high sampling density captures the highest variability.•No relationship between spatial extent and ability to predict other spatial extents.AbstractResidents of densely populated cities face elevated exposure risk to ambient air pollution. Epidemiological studies often estimate exposure risk with land use regression (LUR) models that predict the spatial distribution of air pollutants using surrounding land use characteristics. We examined the effects of estimating city-wide air pollution concentrations using three spatial extents of sampling (31 km2, 94 km2, and 292 km2). Passive sampling of NO2 was completed with 33 samples allocated to each of the three spatial extents. Observed concentrations varied from 6.8 ppb to 19.9 ppb. Linear land use regression models were developed using a manual stepwise approach to ensure consistency between models. The LUR model developed with the largest sampling extent (292 km2 demonstrated the highest performance (Adj. R2 = 0.78; LOOCV R2 = 0.76); however, the resulting air pollution surface showed the least variability. Model performance was not related to spatial extent, with the smallest extent (31 km2) performing better (Adj. R2 = 0.67; LOOCV R2 = 0.56) than the medium extent (Adj. R2 = 0.63; LOOCV R2 = 0.54). Variability in the air pollution surface was related to spatial extent with the highest variability generated by the small extent model. A cross-model validation was completed to examine how well models performed for predicting the other spatial extents. All models demonstrated strong performance with RMSE≤2.5 ppb for all cases, with a mean RMSE of 2.0 ppb. No relationship was apparent between spatial extent and the ability to predict another spatial extent. Our findings indicate linear LUR modelling is robust to variations in spatial extent and density of sampling.Graphical abstractDownload : Download high-res image (271KB)Download : Download full-size image
اثرات تراکم نمونه‌برداری فضایی و وسعت فضایی بر مدل‌سازی رگرسیون کاربری خطی برآورده‌ای NO۲ در یک شهر مبتنی بر اتومبیل
نکات برجسته * آلودگی دی‌اکسید نیتروژن با استفاده از سه اندازه نمونه‌برداری فضایی اندازه‌گیری شد.
* مدل‌های رگرسیون خطی نسبت به تغییر وسعت فضایی و تراکم نمونه‌برداری قوی هستند.
* بزرگ‌ترین مدل گستره نمونه‌برداری با تراکم نمونه‌گیری پایین، قابل‌پیش‌بینی‌ترین مدل است.
* کوچک‌ترین مدل گستره با تراکم نمونه‌برداری بالا، بیش‌ترین تغییرپذیری را به خود اختصاص می‌دهد.
* هیچ ارتباطی بین وسعت فضایی و توانایی پیش‌بینی دیگر ابعاد فضایی وجود ندارد. ساکنان شهرهای پرجمعیت با خطر آلودگی هوای محیط مواجه هستند.
مطالعات اپیدمیولوژیک اغلب ریسک در معرض قرار گرفتن را با مدل‌های رگرسیون استفاده از زمین (LUR)برآورد می‌کنند که توزیع فضایی آلاینده‌های هوا را با استفاده از ویژگی‌های استفاده از زمین اطراف پیش‌بینی می‌کنند.
ما اثرات تخمین غلظت آلودگی هوای شهری را با استفاده از سه اندازه فضایی نمونه‌گیری (۳۱ کیلومتر مربع، ۹۴ کیلومتر مربع و ۲۹۲ کیلومتر مربع)بررسی کردیم.
نمونه‌گیری منفعل NO۲ با ۳۳ نمونه اختصاص‌یافته به هر یک از سه محدوده فضایی تکمیل شد.
غلظت مشاهده‌شده از ۸ / ۶ ppb تا ۹ / ۱۹ ppb متغیر بود.
مدل‌های رگرسیون استفاده از زمین خطی با استفاده از یک رویکرد دستی گام‌به‌گام برای اطمینان از سازگاری بین مدل‌ها توسعه داده شدند.
مدل LUR با بیش‌ترین میزان نمونه‌برداری توسعه یافت (۲۹۲ کیلومتر مربع بالاترین عملکرد را نشان داد (Adj. R۲ = ۰.۷۸؛ LOOCV R۲ = ۰.۷۶)؛ با این حال، سطح آلودگی هوا کم‌ترین تغییرپذیری را نشان داد.
عملکرد مدل به وسعت فضایی مرتبط نبود، با کم‌ترین وسعت (۳۱ کیلومتر مربع)که عملکرد بهتری داشت (Adj. R۲ = ۰.۶۷؛ LOOCV R۲ = ۰.۵۶)نسبت به وسعت متوسط (Adj. R۲ = ۰.۶۳؛ LOOCV R۲ = ۰.۵۴).
تغییرپذیری در سطح آلودگی هوا مربوط به گستره فضایی با بیش‌ترین تغییرپذیری ایجاد شده توسط مدل گستره کوچک بود.
اعتبارسنجی مدل متقابل برای بررسی این که چگونه مدل‌ها برای پیش‌بینی دیگر ابعاد فضایی به خوبی عمل کردند، تکمیل شد.
همه مدل‌ها عملکرد قوی با RMSE۲ نشان دادند.
در تمامی موارد با RMSE میانگین ۲ ppb، ۵ ppb بدست آمد.
هیچ رابطه‌ای بین وسعت فضایی و توانایی پیش‌بینی وسعت فضایی دیگر وجود نداشت.
یافته‌های ما نشان می‌دهد که مدل‌سازی LUR خطی نسبت به تغییرات در وسعت فضایی و تراکم نمونه قوی است. چکیده کردن کلی دانلود: دانلود تصویر با کیفیت بالا (۲۷۱ KB)دانلود: دانلود تصویر با اندازه کامل
ترجمه شده با 
- مقاله Atmospheric Science
- ترجمه مقاله Atmospheric Science
- مقاله علوم جوی
- ترجمه مقاله علوم جوی
- مقاله General Environmental Science
- ترجمه مقاله General Environmental Science
- مقاله علوم محیطی عمومی
- ترجمه مقاله علوم محیطی عمومی
ترجمه کنید