TRAP and traffic data for Oshawa and Allen Road
Notice bibliographique
Résumé
This dataset includes original data used in the creation of the article titled “Localized Variabilities in Traffic-related Air Pollutant Concentrations Revealed Using Compact Sensor Networks”. Supporting reference data can also be found in the reference dataset “Reference PM2.5 and Wind Data for Oshawa and Allen Road” (doi: 10.17632/yw49w4d7v2.1). The aim of this research was to demonstrate the usefulness of real-time air quality monitoring in the context of Smart City infrastructure. Data collected before and during the COVID-19 pandemic in Oshawa, Ontario includes 2-minute averaged TRAP (CO, NO, and PM2.5) concentrations measured by AirSENCE and hourly traffic volume data measured by Northline Fox traffic counters. The data demonstrates a direct relationship between decreased traffic volumes and concentrations of TRAP. Conversely, road construction was correlated with higher levels of TRAP while causing reduced traffic volumes, demonstrating the insufficiency of conventional sensors for reliably inferring air quality conditions and the need for compact air quality sensor networks. Other data included in this dataset were collected in 2021–2022 on opposite sides of Allen Road, a busy commuter route in Toronto, Ontario. Data here include 10-minute averaged TRAP (CO and NO) concentrations measured by AirSENCE. This part of the study highlighted the importance of local meteorological conditions with respect to the dispersal of TRAP as well as the applicability of compact air quality sensor networks for supporting in-depth studies of TRAP emission sources and human exposure pathways.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,009 |
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 ».