Air Quality Monitoring in Coal-Centric Cities: A Hybrid Approach
Notice bibliographique
Résumé
Despite the increasing time sensitivity of climate change, many cities worldwide still heavily rely on coal. The extraction, processing, transport, and usage of coal lead to deteriorated air quality, resulting in complex environmental and public health problems for the local communities. Mapping different pollution sources in coal-centric cities is not trivial due to the hyperlocal nature of air pollution and the often low-density network of air quality monitors. This study explores the air quality issues surrounding coal-centric cities using a combination of qualitative and quantitative data from reference-grade air quality monitors, low-cost sensors (LCSs) deployed on citizens’ vehicles, and community engagement activities. It explores how LCSs can be used to characterize air quality at a high spatio-temporal resolution and how this information can be used to decode people’s perceptions of air quality issues and elicit local knowledge. We evaluated our approach in Sparwood (Canada), and Oskemen (Kazakhstan) which are very different cities, but are both heavily dependent on coal. LCSs have been proven an efficient tool to identify pollution hotspots that traditional reference monitors miss, while workshop-based activities making use of data maps and coding tools have successfully elicited information about pollution sources from non-experts, helping collaborative sense-making and informing new LCS deployment strategies. Understanding air quality in coal-centric cities as a complex socio-technical phenomenon can enable the coal industry, city officials, and residents to engage in addressing air quality issues.
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 | 0,002 |
| 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 | 0,000 | 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 ».