Mapping Air Pollution with Google Street View Cars: Efficient Approaches with Mobile Monitoring and Land Use Regression
Notice bibliographique
Résumé
Air pollution measurements collected through systematic mobile monitoring campaigns can provide outdoor concentration data at high spatial resolution. We explore approaches to minimize data requirements for mapping a city’s air quality using mobile monitors with “data-only” versus predictive modeling approaches. We equipped two Google Street View cars with 1-Hz instruments to collect nitric oxide (NO) and black carbon (BC) measurements in Oakland, CA. We explore two strategies for efficiently mapping spatial air quality patterns through Monte Carlo analyses. First, we explore a “data-only” approach where we attempt to minimize the number of repeated visits needed to reliably estimate concentrations for all roads. Second, we combine our data with a land use regression-kriging (LUR-K) model to predict at unobserved locations; here, measurements from only a subset of roads or repeat visits are considered. Although LUR-K models did not capture the full variability of on-road concentrations, models trained with minimal data consistently captured important covariates and general spatial air pollution trends, with cross-validation R2 for log-transformed NO and BC of 0.65 and 0.43. Data-only mapping performed poorly with few (1–2) repeated drives but obtained better cross-validation R2 than the LUR-K approach within 4 to 8 repeated drive days per road segment.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| 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 ».