TRAP and traffic data for Oshawa and Allen Road
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,008 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découle