Notice bibliographique
Résumé
Low-cost sensor networks offer the potential to reduce monitoring costs while providing high-resolution spatiotemporal data on pollutant levels. However, these sensors come with limitations, and many aspects of their field performance remain underexplored. During October to December 2023, this study deployed two identical low-cost sensor systems near an urban standard monitoring station to record PM2.5 and PM10 concentrations, along with environmental temperature and humidity. Our evaluation of the monitoring performance of these sensors revealed a broad data distribution with a systematic overestimation; this overestimation was more pronounced in PM10 readings. The sensors showed good consistency (R<sup>2</sup> > 0.9, NRMSE<5 %), and normalization residuals were tracked to assess stability, which, despite occasional environmental influences, remained generally stable. A lateral comparison of four calibration models (MLR, SVR, RF, XGBoost) demonstrated superior performance of RF and XGBoost over others, particularly with RF showing enhanced effectiveness on the test set. SHAP analysis identified sensor readings as the most critical variable, underscoring their pivotal role in predictive modeling. Relative humidity consistently proved more significant than dew point and temperature, with higher RH levels typically having a positive impact on model outputs. The study indicates that, with appropriate calibration, sensors can supplement the sparse networks of regulatory-grade instruments, enabling dense neighborhood-scale monitoring and a better understanding of temporal air quality trends.
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 | 0,000 |
| 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 ».