Enhancing PM2.5 monitoring: Calibrating low-cost monitors and analysing community-wide variability
Notice bibliographique
Résumé
Fine particulate matter (PM2.5) air pollution is a significant health concern for the global population. The increasing frequency, intensity, and duration of wildfire smoke events continues to worsen people’s exposure, regardless of their proximity to other major sources such as industry and roadways. To mitigate this exposure, it is crucial to understand the variability of PM2.5 in both space and time. However, the current PM2.5 monitoring network in Canada is limited to major population centres, due to the prohibitive costs of maintenance and deployment. In this study, we propose that low-cost air quality monitors are a viable solution to supplementing this monitoring network. Chapter 2 presents a comprehensive evaluation of these low-cost monitors by comparison with monitors from regulatory networks, including the development of a general-use bias correction model to improve their data quality. The focus of this analysis was to ensure optimal performance in the moderate to high concentration range, where variations in the concentrations have the greatest impact on human health. Chapter 3 demonstrates the application of this bias correction model to a network of low-cost monitors in a northern Canadian city. The data generated by this network was then combined with a novel interpolation method to assess the spatial and temporal variation in PM2.5 concentrations. This analysis represents a valuable resource for any population centre with a sufficient number of monitors installed, and has the potential to inform the siting of new regulatory monitors in locations without existing coverage.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».