Estimating near-roadway air pollution from multi-frequency noise measurements
Notice bibliographique
Résumé
Air pollution is a major environmental problem and its monitoring is essential for regulatory purposes, policy making, and protecting public health. However, dense networks of air quality monitoring equipment are prohibitively expensive due to equipment costs, labor requirements, and infrastructure needs. As a result, alternative lower-cost methods that reliably determine air quality levels near potent pollution sources such as freeways are desirable. We present an approach that couples noise frequency measurements with machine learning to estimate near-roadway particulate matter (PM2.5), nitrogen dioxide (NO2), and black carbon (BC) at 1-min temporal resolution. The models were based on data collected by co-located noise and air quality instruments near a busy freeway in Long Beach, California. Model performance was excellent for all three pollutants, e.g., NO2 predictions yielded Pearson's R = 0.87 with a root mean square error of 7.2 ppb; this error represents about 10 % of total morning rush hour concentrations. Among the best air pollutant predictors were noise frequencies at 40 Hz, 500 Hz, and 800 Hz, and meteorology, particularly wind direction. Overall, our method potentially provides a cost-effective and efficient approach to estimating and/or supplementing near-road air pollutant concentrations in urban areas at high temporal resolution.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».