Smart cities e inquinamento atmosferico: modelli di regressione spaziale (LUR) su dati da sensori low-cost e volunteered geographic information (VGI)
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".