Furthermore, based on chemical anal

Furthermore, based on chemical analysis of the 8-hour a day particulate
matter with aerodynamic diameter .2.5 ƒÊm (PM2.5) samples collected
by high volume (30 m3/h) MCV samplers, we estimated the
contribution of traffic to PM2.5 concentrations using a Positive Matrix
Factorization model as described elsewhere (Amato et al., 2014). This
traffic-related PM2.5 concentration (hereafter referred to as PM2.5-traffic)
comprised organic particles from motor exhaust, elemental carbon
as well as metals from brake wear (Cu, Sb, Sn and Fe). We used PM2.5-
traffic as another indicator of TRAP at schools.
2.3. School greenness
We assessed the greennesswithin and around the school boundaries
by means of normalized difference vegetation index (NDVI) (Weier and
Herring, 2011) derived from RapidEye images at 5 m ~ 5 m resolution.
The RapidEye imagery is acquired from a constellation of five satellites
630 km above grant in sun-synchronous orbits. Each satellite has a
multi-spectral push broom imager sensor that collects data in blue,
green, red, red edge and near-infrared. NDVI is an indicator of greenness
based on land surface reflectance of visible (red) and near-infrared parts
of spectrum (Weier and Herring, 2011). It ranges between .1 and 1
with higher numbers indicating more greenness. We generated our
NDVI map using the image obtained on July 23rd, 2012. This image
was radiometrically corrected and presented in pixel values (digital
numbers). These digital numbers were converted to the Top of Atmosphere
radiance before the NDVI was estimated.
To assess greenness within school premises we first digitized the
school boundaries and then averaged NDVI values within those boundaries.
To assess greenness surrounding schools we averaged NDVI
values in a 50 m buffer around the school boundaries.
2.4. Statistical analysis
For each exposure.outcome pair, we developed mixed effects
models with school as random effect to account for the repetitive measurements
for each school.We usedweekly indoor and outdoor levels of
each TRAP (one at a time) measured during each campaign as the outcome
and greenness within and surrounding school boundaries (one
at a time) as fixed-effect predictors. Given that different school pairs
were monitored in different weeks during each campaign period, we
adjusted the analyses of each TRAP for the weekly average level of
that TRAP (during the corresponding sampling week for each school
pair) measured by a background monitoring station in Barcelona to remove
temporal fluctuation in background TRAP levels fromour analyses
(Rivas et al., 2014).We further adjusted themodels of indoor TRAPs for
meteorological indicators (average temperature and humidity and total
precipitation during the sampling week), monitor placement (ground
floor: yes/no) and orientation (facing inward/towards street/towards
playground), and school characteristics including building age and ventilation
as fixed-effect predictors. Air-conditioning systems or heaters
were not available in any of the classrooms and natural ventilation
through windows and doors was the only type of ventilation in classrooms.
Teacherswere asked to fill in a logbook describing the frequency
with which the windows and doors were opened during the sampling
period.

ผลลัพธ์ (ไทย) 1:

นอกจากนี้ ตามชั่วโมง 8 เคมีวิเคราะห์ฝุ่นวันเรื่อง มีเส้นผ่าศูนย์กลางอากาศพลศาสตร์.2.5 ƒÊm (PM2.5) ตัวอย่างเก็บรวบรวมโดยปริมาตรสูง (30 m3/h) MCV samplers เราประมาณการสัดส่วนของการจราจรการใช้เมตริกซ์บวกความเข้มข้น PM2.5การแยกตัวประกอบรุ่นดังที่อื่น (Amato et al., 2014) นี้ที่เกี่ยวข้องกับจราจร PM2.5 ความเข้มข้น (โดยเรียกว่า PM2.5 จราจร)ประกอบด้วยอนุภาคอินทรีย์จากไอเสียรถยนต์ ธาตุคาร์บอนเช่นเดียว กับโลหะจากเบรคสวม (Cu, Sb, Sn และ Fe) เราใช้ PM2.5-การจราจรเป็นตัวบ่งชี้อื่นของกับดักที่โรงเรียน2.3. โรงเรียน greennessเราประเมินการ greennesswithin และ รอบขอบเขตโรงเรียนโดยความแตกต่างมาตรฐานดัชนีพืชพรรณ (NDVI) (Weier และปลา 2011) มาจากรูป RapidEye 5 เมตร ~ ความละเอียด 5 mซื้อมาจากกลุ่มดาวเทียมห้าภาพ RapidEye630 กิโลเมตรเหนือเงินช่วยเหลือในวงโคจรของดวงอาทิตย์แบบซิงโครนัส มีดาวเทียมแต่ละแบบเซ็นเซอร์ถ่ายภาพสเปกตรัมหลายดันไม้กวาดที่เก็บรวบรวมข้อมูลในสีน้ำเงินสีเขียว สีแดง ขอบสีแดงและอินฟราเรดใกล้ ตัวบ่งชี้ของ greenness คือ NDVIตามแบบสะท้อนแสงผิวดินมองเห็น (สีแดง) และใกล้อินฟราเรดส่วนของสเปกตรัม (Weier และปลาดาบลาว 2011) มันช่วงระหว่าง.1 และ 1ด้วยตัวเลขสูงขึ้นแสดง greenness เพิ่มเติม เราสร้างของเราใช้ภาพที่ได้รับเมื่อ 23 กรกฎาคม 2012 แผนที่ NDVI รูปนี้มีค่าแก้ไข และนำเสนอใน radiometrically พิกเซล (ดิจิตอลหมายเลข) ตัวเลขดิจิตอลเหล่านี้ได้ถูกแปลงด้านบรรยากาศหน้าใสไร้สิวก่อน NDVI ถูกประเมินการประเมิน greenness ภายในบริเวณโรงเรียนเราก่อนในรูปดิจิทัลโรงเรียนขอบ และ averaged ค่า NDVI ภายในขอบเขตดังกล่าวแล้วการประเมิน greenness รอบโรงเรียน เรา averaged NDVIค่าในบัฟเฟอร์ 50 เมตรรอบ ๆ ขอบเขตโรงเรียน2.4. สถิติวิเคราะห์สำหรับแต่ละคู่ exposure.outcome เราพัฒนาผลผสมรุ่นที่ มีโรงเรียนเป็นลักษณะสุ่มการวัดซ้ำแต่ละโรงเรียน เรา usedweekly ในร่ม และกลางแจ้งระดับของแต่ละกับดัก (ที) วัดระหว่างแต่ละแคมเปญว่าและ greenness ภายในและขอบเขตของโรงเรียนโดยรอบ(ในแต่ละครั้ง) เป็น predictors ผลถาวร ให้คู่ที่โรงเรียนอื่นได้ตรวจสอบในสัปดาห์แตกต่างกันระหว่างแต่ละรอบระยะเวลาส่งเสริมการขาย เราปรับปรุงการวิเคราะห์ของแต่ละกับดักสำหรับระดับเฉลี่ยรายสัปดาห์ของกับดักที่ (ระหว่างสัปดาห์สุ่มตัวอย่างที่สอดคล้องกันสำหรับแต่ละโรงเรียนวัดคู่) โดยตรวจสอบสถานีบาเซโลน่าเพื่อลบพื้นหลังผันผวนชั่วคราวในพื้นหลังกับดักระดับวิเคราะห์ fromour(Rivas et al., 2014) เราปรับปรุง themodels ของกับดักในร่มสำหรับเพิ่มเติมตัวบ่งชี้ที่อุตุนิยมวิทยา (เฉลี่ยอุณหภูมิ และความชื้น และผลรวมตำแหน่งตรวจสอบฝนในระหว่างสัปดาห์สุ่ม), (ล่างชั้น: ใช่/ไม่ใช่) และการวางแนว (หันหน้าเข้าข้างใน ต่อห้อง / ต่อสนามเด็กเล่น), และโรงเรียนรวมถึงอาคารอายุและระบายอากาศเป็นผล-predictors ระบบเครื่องปรับอากาศหรือเครื่องทำความร้อนไม่มีในห้องเรียนและการระบายอากาศตามธรรมชาติผ่านหน้าต่างและประตูเป็นแบบเฉพาะของการระบายอากาศในห้องเรียนขอให้กรอกล็อกบุ๊คที่อธิบายความถี่ Teacherswereที่หน้าต่างและประตูเปิดระหว่างการสุ่มตัวอย่างรอบระยะเวลา

ผลลัพธ์ (ไทย) 2:

นอกจากนี้ยังขึ้นอยู่กับการวิเคราะห์ทางเคมีของ 8 ชั่วโมงอนุภาควัน
เรื่องที่มีเส้นผ่าศูนย์กลางพลศาสตร์ .2.5 ƒÊm (PM2.5) ตัวอย่างที่เก็บรวบรวม
โดยปริมาณสูง (30 m3 / h) ตัวอย่าง MCV เราคาด
การมีส่วนร่วมของการเข้าชม PM2.5 ความเข้มข้นของการใช้เมทริกซ์บวก
แบบตัวประกอบตามที่อธิบายไว้ที่อื่น ๆ (อะ et al., 2014) นี้
ความเข้มข้นของ PM2.5 เกี่ยวข้องกับการจราจร (ต่อไปนี้จะเรียกว่า PM2.5 จราจร)
ประกอบด้วยอนุภาคอินทรีย์จากไอเสียมอเตอร์ธาตุคาร์บอน
เช่นเดียวกับโลหะจากเบรกสึกหรอ (Cu, SB, Sn และ Fe) เราใช้ PM2.5-
จราจรเป็นตัวบ่งชี้ของ TRAP ที่โรงเรียนอื่น.
2.3 โรงเรียนอ่อนหัด
เราประเมิน greennesswithin และรอบขอบเขตโรงเรียน
โดยวิธีของดัชนีพืชแตกต่างกันปกติ (NDVI) (Weier และ
เฮอร์ริ่ง, 2011) ที่ได้มาจากภาพ RapidEye ที่ 5 เมตร ?? ~ 5 เมตรความละเอียด.
RapidEye ภาพที่ได้มาจากกลุ่มดาว ห้าดาวเทียม
630 กิโลเมตรเหนือทุนในวงโคจรของดวงอาทิตย์พร้อมกัน ดาวเทียมแต่ละคนมี
การผลักดันหลายสเปกตรัมไม้กวาดอิมเมจเซ็นเซอร์ที่เก็บรวบรวมข้อมูลในสีฟ้า,
สีเขียว, สีแดง, สีแดงและขอบใกล้อินฟราเรด NDVI เป็นตัวบ่งชี้ของดอก
ขึ้นอยู่กับการสะท้อนพื้นผิวดินแดนแห่งการมองเห็น (สีแดง) และใกล้อินฟราเรดชิ้นส่วน
ของสเปกตรัม (Weier และเฮอร์ริ่ง, 2011) มันช่วงระหว่าง 0.1 และ 1
ด้วยตัวเลขที่สูงขึ้นแสดงให้เห็นความอ่อนหัดมากขึ้น เราสร้างของเรา
แผนที่ NDVI โดยใช้ภาพที่ได้รับในวันที่ 23 กรกฎาคม 2012 ภาพนี้
ได้รับการแก้ไข radiometrically และแสดงค่าพิกเซล (ดิจิตอล
ตัวเลข) ตัวเลขเหล่านี้ดิจิตอลถูกแปลงให้ด้านบนของบรรยากาศ
สดชื่นก่อน NDVI เป็นที่คาดกัน.
เพื่อประเมินความอ่อนหัดภายในบริเวณโรงเรียนครั้งแรกที่เราแปลงเป็นข้อมูลดิจิทัล
ขอบเขตโรงเรียนแล้วเฉลี่ยค่า NDVI ภายในขอบเขตเหล่านั้น.
เพื่อประเมินโรงเรียนรอบอ่อนหัดเราเฉลี่ย NDVI
ค่าใน 50 บัฟเฟอร์เมตรรอบขอบเขตโรงเรียน.
2.4 การวิเคราะห์ทางสถิติ
สำหรับคู่ exposure.outcome แต่ละเราพัฒนาผลกระทบผสม
รุ่นที่มีโรงเรียนเป็นผลกระทบแบบสุ่มไปยังบัญชีสำหรับการวัดซ้ำ
สำหรับแต่ละ school.We usedweekly ระดับน้ำในร่มและกลางแจ้งของ
แต่ละ TRAP (หนึ่งครั้ง) วัดในช่วงการรณรงค์เป็นแต่ละ ผล
และดอกที่อยู่ในขอบเขตและโรงเรียนโดยรอบ (อย่างใดอย่างหนึ่ง
ในเวลา) ในฐานะพยากรณ์คงมีผลบังคับใช้ ระบุว่าคู่โรงเรียนที่แตกต่างกัน
ได้รับการตรวจสอบในสัปดาห์ที่ผ่านที่แตกต่างกันในแต่ละช่วงเวลาของแคมเปญที่เรา
ตั้งค่าการวิเคราะห์ของแต่ละ TRAP สำหรับระดับค่าเฉลี่ยรายสัปดาห์ของ
ที่ TRAP (ในช่วงสัปดาห์สุ่มตัวอย่างที่สอดคล้องกันสำหรับแต่ละโรงเรียน
คู่) วัดโดยสถานีตรวจสอบพื้นหลังในบาร์เซโลนา ลบ
ความผันผวนชั่วคราวในระดับ TRAP พื้นหลัง fromour วิเคราะห์
เราได้ทำการปรับ themodels ของกับดักในร่ม (วาส, et al, 2014.)
ตัวชี้วัดทางอุตุนิยมวิทยา (อุณหภูมิเฉลี่ยและความชื้นและรวม
การตกตะกอนในช่วงสัปดาห์สุ่มตัวอย่าง) ตำแหน่งจอภาพ (พื้นดิน
ชั้น: ใช่ / ไม่ได้) และการวางแนว (หันหน้าไปทางขาเข้า / ต่อถนน / ต่อ
สนามเด็กเล่น) และลักษณะโรงเรียนรวมถึงอายุการสร้างและการระบายอากาศ
เป็นตัวพยากรณ์คงมีผลบังคับใช้ ระบบปรับอากาศหรือเครื่องทำความร้อน
ไม่สามารถใช้ได้ในทุกห้องเรียนและการระบายอากาศตามธรรมชาติ
ผ่านหน้าต่างและประตูเป็นชนิดเดียวของการระบายอากาศในห้องเรียน.
Teacherswere ขอให้กรอกข้อมูลลงในสมุดบันทึกอธิบายความถี่
ที่หน้าต่างและประตูถูกเปิดในช่วง สุ่มตัวอย่าง
ระยะเวลา

ผลลัพธ์ (ไทย) 3:

นอกจากนี้ จากการวิเคราะห์ทางเคมีของอนุภาค
8 วัน ขึ้นกับขนาดเส้นผ่าศูนย์กลางอากาศพลศาสตร์ ƒÊ 2.5 m ( pm2.5 ) จำนวน
โดยปริมาณสูง ( 30 m3 / h ) และ MCV เราประมาณ
ผลงานของการจราจรไปยัง pm2.5 ความเข้มข้นโดยใช้เมตริกซ์
ตัวประกอบบวกตามที่อธิบายไว้ในที่อื่น ( Amato et al . 2557 ) การจราจรที่เกี่ยวข้อง pm2 นี้
.5 สมาธิ ( ต่อเรียกว่า pm2.5-traffic )
ประกอบด้วยอนุภาคอินทรีย์คาร์บอนจากท่อไอเสียยานยนต์
ธาตุเช่นเดียวกับโลหะจากเบรคใส่ ( จุฬาฯ , SB , ดีบุกและเหล็ก ) เราใช้ pm2.5 -
การจราจรเป็นอีกตัวบ่งชี้ของกับดักที่โรงเรียน .
2.3 โรงเรียนสีเขียว
เราประเมิน greennesswithin รอบขอบเขตของโรงเรียน
โดยวิธีการของความแตกต่างในรูปดัชนีพืชพรรณ ( weier และ
ปลาแฮร์ริ่ง , 2011 ) ที่ได้มาจาก rapideye ภาพที่ 5 M ? ~ 5 M ความละเอียด .
rapideye ภาพได้มาจากกลุ่มดาวห้าดาวเทียม
630 กิโลเมตรเหนือให้ดวงอาทิตย์โคจรพร้อมกัน . แต่ละดาวเทียมมีหลายสเปกตรัมผลักดันไม้กวาด )
เซนเซอร์ที่รวบรวมข้อมูลในสีฟ้า ,
สีเขียว สีแดง ขอบแดง และ อินฟราเรดใกล้ . การเปลี่ยนแปลงด้านพืชพรรณเป็นตัวบ่งชี้ความอ่อนหัด
จากการสะท้อนแสงของพื้นผิวดิน มองเห็น ( สีแดง ) และอินฟราเรดใกล้ส่วน
ของสเปกตรัม ( weier Herring และ 2011 ) มันช่วงระหว่าง 1 และ 1
กับสูงกว่าตัวเลขแสดงความอ่อนหัดเพิ่มเติม เราสร้างแผนที่การเปลี่ยนแปลงด้านพืชพรรณของเรา
ใช้ภาพได้ในวันที่ 23 กรกฎาคม 2555 ภาพนี้ radiometrically
แก้ไขและนำเสนอในพิกเซลค่า ( ตัวเลขดิจิตอล
)ตัวเลขเหล่านี้ถูกแปลงเป็นดิจิตอลไปด้านบนของความกระจ่างใสบรรยากาศ
ก่อนการเปลี่ยนแปลงด้านพืชพรรณประมาณ .
เพื่อประเมินความเขียวขจีภายในสถานที่เรียน เราแรกดิจิตอล
โรงเรียนขอบเขตแล้วเฉลี่ยค่าภายในขอบเขตของการเปลี่ยนแปลงด้านพืชพรรณเหล่านั้น เพื่อประเมินความเขียวขจีรอบโรงเรียนเรา

ค่าเฉลี่ยการเปลี่ยนแปลงด้านพืชพรรณใน 50 M กันชนรอบโรงเรียน
2.4 อีกด้วย .
สถิติวิเคราะห์สำหรับการเปิดรับแต่ละคู่ผล เราพัฒนาผสมผล
รุ่นที่มีโรงเรียนเป็นสุ่มผลบัญชีสําหรับการวัดซ้ำ
แต่ละโรงเรียน เรา usedweekly ในร่มและกลางแจ้งระดับ
แต่ละกับดัก ( ในเวลาหนึ่ง ) วัดในแต่ละแคมเปญที่เป็นผล และภายในขอบเขตและความอ่อนหัด
รอบโรงเรียน (
ครั้ง ) เช่น แก้ไขผลพยากรณ์ ให้ที่แตกต่างกัน
คู่โรงเรียนถูกตรวจสอบในสัปดาห์ที่แตกต่างกันในช่วงระยะเวลาแคมเปญแต่ละเรา
ปรับการวิเคราะห์แต่ละกับดักระดับเฉลี่ยรายสัปดาห์ของ
กับดัก ( ในตัวอย่างสัปดาห์ที่แต่ละโรงเรียน
คู่ ) วัดจากพื้นหลังการตรวจสอบสถานีในบาร์เซโลนาที่จะลบและความผันผวนในระดับกับดักพื้น

( fromour วิเคราะห์ Rivas et al . 2557 )เรายังได้ปรับรูปแบบของกับดักในร่มสำหรับ
ดัชนีอุตุนิยมวิทยา ( อุณหภูมิเฉลี่ยและความชื้นและปริมาณน้ำฝนรวม
ในการสุ่มตัวอย่างสัปดาห์ ) , ตรวจสอบการจัดวาง ( พื้น
พื้น : ใช่ / ไม่ใช่ ) และทิศทาง ( เข้าไปด้านในซึ่งทางถนนสู่
สนามเด็กเล่น ) , และลักษณะโรงเรียน รวมทั้งอาคารอายุและการระบายอากาศ
เป็นถาวรผลตัวแปร . ระบบเครื่องปรับอากาศหรือเครื่องทำความร้อน
ไม่สามารถใช้ได้ในใด ๆของห้องเรียนและการระบายอากาศแบบธรรมชาติ
ผ่าน หน้าต่างและประตูเป็นชนิดเดียวของการระบายอากาศในที่ห้องเรียน ครูถาม
กรอกใน logbook อธิบายความถี่
ที่หน้าต่าง และประตูถูกเปิดในการสุ่มตัวอย่าง
ระยะเวลา