A Cost-Effective Air Quality Monitoring System for the Global South
Notice bibliographique
Résumé
Air quality monitoring is crucial for mitigating the health risks associated with ambient air pollution, particularly in low- and middle-income countries, where resources for such systems are often limited. Traditional monitoring solutions are expensive, resulting in sparse data coverage and inequitable access to air quality information. This paper introduces the AI_r system, developed by the South African Consortium of Air Quality Monitoring (SACAQM), as a cost-effective air quality monitoring solution designed for the Global South. Leveraging Internet-of-Things (IoT) technology and low-cost sensors, the system establishes a dense network that provides high-resolution, real-time air quality data. The architecture includes clustered Wireless Sensor Networks (WSNs) Long-Term Evolution (LTE) communication, with data stored in a NoSQL database and accessed via an interactive dashboard. Calibration against established air quality systems, such as the South African Air Quality Information System (SAAQIS), ensures data accuracy and reliability. Additionally, the system integrates Artificial Intelligence (AI) techniques, including Graph Neural Networks (GNNs), to model and predict air quality trends. The system has been successfully piloted with sensor deployments in schools in Soweto, Johannesburg. The AI_r system aims to democratize access to critical air quality data, supporting public health initiatives and policy development to improve air quality, particularly for vulnerable populations.
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 | 0,000 |
| 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 ».