An air quality digital twin for real-time outdoor air quality monitoring and prediction
Notice bibliographique
Résumé
Respiratory health is closely tied to air quality, making it essential to measure and model air quality. Digital twins provide a powerful approach for air quality monitoring and prediction due to their ability to integrate real-time data, generate air quality predictions, and provide actionable insights. In the City of Elizabeth, New Jersey, poor air quality is driven by heavy industrial activities, dense traffic on major highways, and emissions from the nearby marine terminals and Newark Liberty International Airport. To tackle these issues, this research aimed to develop a digital twin for air quality monitoring and management for the City of Elizabeth. Using LiDAR scans of Housing Authority buildings, Building Information Models (BIM) were created to digitally represent physical structures. A network of outdoor sensors was deployed to capture real-time data on pollutants, including particulate matter (PM₂.₅) and ozone (O 3 ). Unlike traditional physics-based air quality models that rely on complex mathematical equations and require significant computational resources, this study employed a data-driven approach. By analyzing spatial and temporal patterns in air quality data, this method efficiently generated real-time air quality predictions. Integrating these predictions into digital twins enhances our understanding of air quality dynamics and enables stakeholders to communicate complex information effectively to the public. Furthermore, residents can make informed choices to improve their living conditions, such as determining the best times to open windows, use air filtration systems, or spend time in outdoor environment.
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 ».