The Design, Calibration, and Evaluation of a Mobile Sensor System for Air Pollution Measurement and Prediction in Urban Areas
Notice bibliographique
Résumé
BACKGROUND: The increasing ubiquity of low-cost air quality sensors has been recently met with a growing body of research on sensor calibration and validation. While most studies documenting low-cost sensor performance are limited to the analysis of fixed sensors, there is still much to be learned from the performance of air quality sensors in a mobile environment. This study presents the design and testing of a mobile platform for simultaneous air quality, traffic, and built environment characterization. METHODS: The Urban Scanner is a platform mounted on the rooftop of a vehicle and equipped with air quality sensors (NO2, O3, PM2.5, PM10, CO) and ancillary instruments such as GPS, 360degree camera, LIDAR 3D scanner, and wind anemometer. It also includes a data acquisition module with real-time analytics for traffic characterization from video imagery (cars, trucks, buses) and built environment features (trees, sidewalk, building façade, building height). Air quality sensor calibration was conducted through co-location against reference instruments with novel signal processing techniques. A year-long data collection campaign in the City of Toronto, along routes carefully designed to maximize the variability in road types, land-use, and built environment features. RESULTS: After urban scanner development and calibration, all sensors exhibited small standard errors and significant relationships with reference data. Traditional land-use regression models explained spatial variations in NO2 and O3 across Toronto, with R2 = 0.64 and 0.65, respectively. In addition to linear regression, a principal component analysis of the predictors was first conducted and subsequently used in Bayesian Regularized Neural-Networks models (BRANN). This approach yielded R2 of 0.82 and 0.80 for O3 and NO2. CONCLUSIONS: The combination of a fully calibrated sensor system and a carefully designed data collection protocol that optimizes spatial variability and temporal representation, can give rise to a powerful tool for air quality prediction in urban areas.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».