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 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 | 0,003 | 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 ».