Analysis and Trends Research Publications on Air Quality (PM 2.5) Management Strategies
Notice bibliographique
Résumé
Abstract The study was conducted to analyze the trends in the development of research in the field of air quality management from 1983 to 2022. The study aims to find out the developments of scientific publications from year to year, the authors who dominate, the dominant countries, and the opportunities for innovation in research topics related to air quality strategy. Data collection was done by searching through Scopus with the keywords management OR strategy OR monitoring AND “air pollution” OR “air quality” AND “particulate matter” OR pm OR pm10 OR pm AND 2,5 with the category, article title, abstract, and keywords. The data is analyzed in terms of the number of publications per year, authors, origin of authors, and subjects with Ms. Excel. Whereas trends in publication development are analyzed using software such as biblioshiny and vosviewer. The results of the study show that in the period 1983-2022, research on air quality management strategies has undergone significant progress. The highest publication development began in 2019, with the production of over 100 annual scientific articles. Some of the main authors are Zhang Y, Wang Y, Wang X, Zhang X, Liu Y, and Wang J. The results of this study revealed gaps in spatial distribution where most of the research was conducted in China, the USA, Canada, the United Kingdom, India, and Spain, as well as some European countries. However, it could be an opportunity for researchers from lower income countries like Indonesia to do similar research. Topics that have not been much discussed and studied are topics about mapping, spatial analysis, modelling of air pollution, and dynamic systems for air quality management strategies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».