Satellites, Coding & Air Sensors: Air quality research using PurpleAir sensors, TEMPO and Python
Notice bibliographique
Résumé
Air quality makes up a large portion of pollution. An important metric is particulate matter (PM), which can vary in sizes less than one micron and greater than ten microns and is measured in micrograms per cubic meter. Time was dedicated to measuring the concentration of PM using low-cost PurpleAir (PA) sensors in Northwest Indiana (NWI), locating the particles origins, reading articles and papers for appropriate conversion factors (CF), and running experiments on the PA sensors. The PA sensors take one data point every ten seconds. That equates to more than three million data points per sensor per year, while multiple PA sensors are operating in NWI. Previous work has relied on Excel for generating monthly and yearly plots and distributions of PM concentration. Utilizing Python for data processing has significantly reduced the time to get to the analyze step. Other issues surrounding the PA sensors is whether they are providing a correct and unbiased concentration to other commercial and scientific grade instruments. This has led to searching and optimizing for the best CF equation(s) and running high-grade sensors alongside PA sensors. Many questions surround the PA instruments for whether they are a high-quality tool for air quality research. Comparing PA data alongside the Indiana Department of Environmental Managements sensors is vital and has revealed issues in IDEMs lack of data points. Air quality is also being measured by TEMPO, a satellite currently measuring NO2, O3, and formaldehyde hourly across the US from Canada to Mexico.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».