Spatial Analysis of PM2.5 Data from Low-Cost Sensor Related to Economic Activities in Pekanbaru City
Notice bibliographique
Résumé
Pekanbaru, a major economic hub in Sumatra, faces air quality challenges due to rapid urbanization and economic growth.PM2.5 pollution, driven by economic activities and recurring forest fires, poses significant health risks.While Indonesia's Air Pollutant Standard Index (ISPU) provides a regulatory framework, traditional air quality monitoring is limited by high costs, encouraging the use of low-cost portable sensors.This study utilizes such sensors to collect PM2.5 data from 18 locations over three days.Spatial analysis reveals stable PM2.5 patterns influenced by daily economic activities, with most areas classified as "Moderate," though some exhibit higher concentrations requiring attention.Spearman correlation analysis highlights strong links between PM2.5 levels and residential areas (r=0.75),farmland (r=0.73),healthcare centers (r=0.73),hotels (r=0.7), and commercial centers (r=0.64).Transportation also significantly impacts PM2.5, indicated by road length (r=0.65).In contrast, negative correlations with plantation areas (r=-0.63)emphasize the role of green spaces in mitigating pollution.Industrial areas (r=0.12) and terminals (r=0.33)have minimal influence, reflecting their localized nature.To reduce PM2.5 pollution, Pekanbaru should expand green spaces, regulate biomass burning, promote eco-friendly transport, and adopt balanced land-use planning.Public education is crucial to enhance air quality and protect public health.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».