A wireless sensor network for urban environmental health monitoring:<i>UrbanSense</i>
Notice bibliographique
Résumé
Urban areas are generators of environmental emissions such as carbon dioxide (CO2), harmful air pollutants and noise, all with the potential to negatively impact the health and wellbeing of its human and non-human inhabitants. There is an urgent need to understand the characteristics of urban areas associated with variability in emissions and the potential for exposure to potential harmful environmental conditions. UrbanSense is a wireless sensor network (WSN) infrastructure designed to monitor environmental conditions at different temporal and spatial scales. The scalable infrastructure includes an extended range outdoor wireless sensing and data aggregation system, a web-based data management and visualization platform, and real-time event-based data stream integration. Sensors monitor changes in carbon dioxide (CO2), carbon monoxide (CO), noise (LAeq), as well as several meteorological conditions including wind speed and direction, temperature, relative humidity and precipitation. The implementation will provide opportunities for real-time data integration and an analysis system for environmental quality assessment, and may be realized on top of products arising from spatio-temporal (statistical) analyses and remotely-acquired data products such as satellite data. Sensor swapping and co-location with sensors from projects with different aims (traffic volume modelling and human tracking research) will add value for research in transportation planning, environmental regulation and policy and epidemiological studies focused on associations between environmental exposures and health outcomes.
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 | 0,001 | 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 | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| 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 ».