Accuracy and precision of low-cost air quality sensors compared with Federal Equivalent Method monitors.
Notice bibliographique
Résumé
<bold>Background:</bold> Low-cost sensors are an attractive tool to increase the geographical distribution of air quality monitoring. Previous studies have assessed the correlation of PM<sub>2.5</sub> measures between low-cost sensors and Federal Equivalent Method (FEM) monitors; however, correlations may miss systemic biases. <bold>Aim:</bold> To compare the accuracy and precision of PM<sub>2.5</sub> concentrations between PurpleAir (PA) sensors with FEM monitors. <bold>Methods:</bold> We placed 3 PA sensors within 2m of a FEM (Teledyne API A640) between Nov 22 – Dec 25, 2023 in Halifax, Canada. A Bland-Atman plot was used to compare accuracy and precision of PM<sub>2.5</sub> between devices. <bold>Results:</bold> A total of 576 data points representing 30-minute intervals for 24 observation days were compared. During the observation period, PM<sub>2.5</sub> ranged between 0.06 ug/m3 and 43.31 ug/m3, temperature between -7.2 oC and 16.0 oC, humidity between 32% and 84%, and pressure between 995.7 Pa and 1036.5 Pa. On average PM<sub>2.5</sub> was similar between PA and FEM (mean difference -0.829 units); whereas the precision was poor (Figure). PM<sub>2.5</sub> was up to 200% higher with PA, and biased by higher PM<sub>2.5</sub>, higher temperatures and greater humidity. <fig><object-id>erj;66/suppl_69/PA5857/F1</object-id><object-id>F1</object-id><object-id>F1</object-id><graphic></graphic></fig> Figure 1. Bland-Altman plot comparing A) the difference in PM<sub>2.5</sub> (μg/m<sup>3</sup>) and B) the percentage difference between PM<sub>2.5</sub> (μg/m<sup>3</sup>). <bold>Conclusion:</bold> The systemic bias needs to be considered when interpreting PM<sub>2.5</sub> measured by PA sensors.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».