A two-step approach for relating tapered element oscillating microbalance and dichotomous air sampler PM<sub>2.5</sub> measurements
Notice bibliographique
Résumé
A method for transforming continuous monitoring (CM) fine particulate matter (aerodynamic diameter <2.5 mm; PM 2.5 ) data (i.e., by tapered element oscillating microbalance [TEOM]) obtained from the Canadian National Air Pollution Surveillance (NAPS) program to meet the data quality objective (DQO) of R 2 > 0.8 against the co-located federal reference method (i.e., dichotomous air sampler) is described.By using a two-step linear regression to account for the effect of the ambient temperature, 16 out of the 23 examined sites met the common model adequacy threshold of R 2 > 0.8.After the transformation, 20 out of the 23 examined sites met the DQO of R 2 > 0.7, as recommended by the U.S. Environmental Protection Agency (EPA).A combined two-step statistical approach was also examined and revealed similar results.The methods described herein show that the CM data can be successfully transformed to meet DQOs for representative sites across Canada using year-round (both summer and winter) data.Implications: This study provides a transformation approach to correct ambient TEOM data against the federal reference method without dividing the ambient data according to warm and cold seasons.This transformation approach will significantly improve the correlation coefficient between TEOM and dichotomous air sampler data.It is possible that TEOM data at many Canadian locations can be transformed to meet the EPA data quality objective, thus making this transformation approach useful for comparisons of ambient PM data across jurisdictions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».