Smart cities e inquinamento atmosferico: modelli di regressione spaziale (LUR) su dati da sensori low-cost e volunteered geographic information (VGI)
Notice bibliographique
Résumé
L’inquinamento atmosferico presenta un andamento spaziale legato soprattutto alle fonti, al tipo di inquinante e ad elementi ambientali quali topografia e venti. Tuttavia, esso viene normalmente monitorato da una rete di sensori relativamente sparsa, che non fornisce un campionamento capillare del territorio. \nPer questo, i modelli di regressione spaziale (LUR) costituiscono uno strumento per la stima dell’inquinamento atmosferico ad elevata risoluzione spaziale. Analizzando l’associazione tra inquinamento e variabili d’uso del suolo nei punti di campionamento, essi stimano coefficienti che vengono poi applicati a tali variabili nei punti non campionati, ottenendo stime ad elevata risoluzione spaziale. \nNegli ultimi anni, il nostro gruppo all’Università di Calgary ha condotto numerose analisi LUR di diossido di azoto (NO2), particolato fine (PM1.0, PM2.5, PM10,) ed altri inquinanti, utilizzando i dati ottenuti da una fitta rete di sensori dispiegata in collaborazione col Servizio Sanitario del Canada. \nOggi è reperibile sul mercato una gamma vasta e crescente di sensori a costo relativamente basso (low-cost). La qualità dei dati ottenuti da sensori low-cost è diversa da quella dei sensori tradizionali più costosi; tuttavia, il basso costo unitario e la frequenza del segnale ottenuto consentono di definire un ricco database spazio-temporale, capace forse di sopperire alle eventuali carenze dei dati. \nIl gruppo ha acquistato un numero elevato (100) di sensori del particolato fine (PM2.5) ad alta frequenza temporale (5 minuti), con i quali ha costruito una rete di monitoraggio fitta e regolare sulla vasta area metropolitana di Calgary (Canada), definita da un modello location-allocation e realizzata con l’ausilio di VGI (volunteered geographic information) per il posizionamento dei sensori. \nIn questo articolo, che si configura come research paper, utilizzando metodologie statistiche, presentiamo un’analisi dei dati PM2.5 ottenuti da sensori low-cost, quindi una stima di modelli LUR con dimensione temporale. Discutiamo in la qualità dei dati ottenuti dai sensori low-cost e la loro adeguatezza per l’uso nei modelli LUR, nonché l’impiego di VGI per il monitoraggio.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».