EBoD-FL环境风险因素暴露估计数据集（2013-2022）
该数据集来自EBoD-FL项目，覆盖2013至2022年，提供比利时Flanders地区人群对环境风险因素的暴露估计。数据涵盖空气污染（PM2.5和NO2）、环境噪声（道路交通噪声）以及极端温度等风险因素，暴露估计基于多种数据源，包括IRCEL-CELINE的空气质量模型和Statbel的人口数据
基本信息
资源简介
EBoD-FL环境风险因素暴露估计数据集（2013-2022）
EBoD-FL estimates of the exposure to environmental risk factors, 2013-2022
该数据集来自EBoD-FL项目，覆盖2013至2022年，提供比利时Flanders地区人群对环境风险因素的暴露估计。数据涵盖空气污染（PM2.5和NO2）、环境噪声（道路交通噪声）以及极端温度等风险因素，暴露估计基于多种数据源，包括IRCEL-CELINE的空气质量模型和Statbel的人口数据。该数据可用于环境流行病学研究、疾病负担归因分析以及比较风险评估，支持估算归因于环境风险因素的疾病负担比例（来源 DOI 解析，Creative Commons Attribution 4.0 International 许可）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：绘制Flanders环境疾病负担（EBoD-FL）环境风险因素暴露估计 EBoD-FL评估Flanders人群对环境风险因素的暴露，并应用比较风险评估来估计归因于这些风险的疾病负担比例。人群环境风险暴露的估计基于多种数据源，按所考虑的风险因素分别列出。空气污染 空气质量差由细颗粒物（PM2.5）和二氧化氮（NO2）等物质污染引起。人群对PM2.5和NO2的暴露基于IRCEL-CELINE生成的模拟空气质量以及Statbel提供的人口数据。环境噪声 环境噪声是交通的结果，包括道路交通噪声。人群暴露基于数量重新
【主题与分类】
主题标签：Flanders、Population exposure、Risk factors、Environmental exposure、Air pollution、Traffic noise、Extreme temperatures、BeBOD、Heat。本站分类：环境因素所致疾病/其他。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.21668576
使用许可：Creative Commons Attribution 4.0 International。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.21668576
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 293.0 KB。
数据说明
Arno Pauwels; Arno Pauwels; Emilie Vandeputte; Claire Demoury; Claire Demoury; Eva M De Clercq; Eva M De Clercq; Brecht Devleesschauwer; Brecht Devleesschauwer; Emilie Vandeputte (2026). EBoD-FL estimates of the exposure to environmental risk factors, 2013-2022 [Dataset]. http://doi.org/10.5281/zenodo.21668576
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
