Bridging the Divide between Air Quality Monitoring, Management and Policy in the Sea-to-Sky Airshed: A method for analyzing and interpreting large volume air quality data for management and policy guidance
Notice bibliographique
Résumé
Air pollution has increasingly been the focus of management and policy efforts since the early 1950s. Networks of monitoring stations for data to inform, create, focus, assess and improve air pollution management and policy. However, monitoring systems can become disconnected from air quality management and policy without analysis and interpretation to bridge the divide. This thesis develops a method of analyzing and interpreting large volume air quality data into key air pollutant trends and characteristics to guide air quality management and policy. The method is applied to air quality data between 2002 and 2013 in the Sea-to-Sky Airshed, located in south-western British Columbia, Canada. At the time of study, this airshed contained a monitoring system that had been growing increasingly disconnected from the airshed’s air quality management and policy. Applying this method uncovered significant instances of inaccurate and missing air quality data, and identified the airshed’s key pollutant trends and characteristics. These findings were then used to create recommendations for improving the resource efficiency and quality of the airshed’s monitoring, management and policy. Also identified were applications of R and R’s OpenAir package which are estimated to significantly reduce analysis time and offer additional analysis options.
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 | 0,026 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».