Modello LaTeX per poster scientifico (A0)
Un modello LaTeX gratuito per poster scientifico in formato A0, realizzato con tikzposter. Sostituisci lo studio di esempio con il tuo e compila il PDF nel browser.
Apri l'editor Torna ai modelli
Codice LaTeX
% Modello di poster scientifico: A0 verticale, con la classe tikzposter.
% L'esempio è un breve poster di uno studio (calibrazione di sensori di PM2,5 a basso costo).
% Sostituisci il testo, la figura e la tabella con i tuoi; i numeri sono illustrativi.
%
% Guida rapida:
% - Formato: cambia a0paper in a1paper per un poster più piccolo (e 25pt in 20pt: tutte le dimensioni si adeguano).
% - Colori: modifica i tre colori HTML di \definecolorstyle più sotto.
% - Aspetto: prova altri stili in \useblockstyle (Default, Basic, Minimal, Envelope, Corner, Slate,
% TornOut), \usetitlestyle (Default, Basic, Filled, Envelope, Wave, VerticalShading, Triangle)
% e \usebackgroundstyle (Default, Rays, VerticalGradient, Gradient, BottomVerticalGradient).
% - Impaginazione: ogni ambiente columns divide la pagina; \column{0.5} occupa metà della larghezza.
\documentclass[25pt, a0paper, portrait]{tikzposter}
\usepackage[T1]{fontenc}
\usepackage{lmodern}
\usepackage[italian]{babel}
\usepackage{amsmath}
\usepackage{booktabs}
\usetikzlibrary{arrows.meta,positioning,babel}
% Stile dei colori: i tre colori definiscono tutto il poster
\definecolorstyle{PosterColors}{
\definecolor{colorOne}{HTML}{0B6E75} % barra del titolo e cornice
\definecolor{colorTwo}{HTML}{1B9AAA} % titoli dei blocchi
\definecolor{colorThree}{HTML}{E4572E} % accento: note, evidenziazioni
}{
\colorlet{backgroundcolor}{white}
\colorlet{framecolor}{colorOne}
\colorlet{titlefgcolor}{white}
\colorlet{titlebgcolor}{colorOne}
\colorlet{blocktitlebgcolor}{colorTwo}
\colorlet{blocktitlefgcolor}{white}
\colorlet{blockbodybgcolor}{white}
\colorlet{blockbodyfgcolor}{black}
\colorlet{innerblocktitlebgcolor}{colorThree}
\colorlet{innerblocktitlefgcolor}{white}
\colorlet{innerblockbodybgcolor}{white}
\colorlet{innerblockbodyfgcolor}{black}
\colorlet{notefgcolor}{black}
\colorlet{notebgcolor}{colorThree!15}
\colorlet{noteframecolor}{colorThree}
}
\usetheme{Default}
\usecolorstyle{PosterColors}
\useblockstyle{Basic}
\usetitlestyle{Filled}
\usebackgroundstyle{Default}
% Dimensione del testo nei blocchi, relativa all'opzione della classe (25pt): usa \large per più testo o \LARGE per caratteri più grandi.
\newcommand{\bodysize}{\Large}
\newcommand{\ugm}{\ensuremath{\mu\mathrm{g\,m^{-3}}}}
\newcommand{\pmtwo}{\ensuremath{\mathrm{PM}_{2{,}5}}}
% Titolo, autori e affiliazioni (i numeri collegano ogni autore al suo istituto)
\title{\parbox{0.9\textwidth}{\centering Calibrazione di sensori di \pmtwo{} a basso costo\\ con l'apprendimento automatico}}
\author{Giulia Romano$^{1}$, Marco Ferri$^{1,2}$, Chiara Conti$^{2}$}
\institute{$^{1}$Dipartimento di Ingegneria Ambientale, Nome dell'Università \quad $^{2}$Istituto di Scienze dell'Atmosfera, Nome del Centro di Ricerca}
\begin{document}
\maketitle
% Messaggio chiave: una frase che si legge in cinque secondi
\block{Messaggio chiave}{
\bodysize
Una foresta casuale alimentata con umidità relativa e temperatura riduce di oltre il 60\,\% l'errore di un sensore di \pmtwo{} a basso costo: l'RMSE scende da 9,8 a 3,6\,\ugm{}.
}
% Prima riga: due colonne di blocchi. Aggiungi o togli comandi \block liberamente.
\begin{columns}
\column{0.5}
\block{Motivazione}{
\bodysize
Il particolato fine (\pmtwo) è uno dei principali rischi ambientali per la salute.
\begin{itemize}
\item Le linee guida dell'OMS del 2021 raccomandano al massimo 5\,\ugm{} di media annua e 15\,\ugm{} di media sulle 24 ore.
\item I monitor di riferimento costano migliaia di euro; i sensori ottici costano una frazione e consentirebbero reti di misura molto più dense.
\item Ma le loro letture dipendono dall'umidità relativa (UR): le particelle assorbono acqua e il sensore sovrastima.
\item \textbf{Obiettivo:} correggere i sensori a basso costo con i dati di un monitor di riferimento posto accanto.
\end{itemize}
}
\block{Metodi}{
\bodysize
Dodici sensori a basso costo sono stati affiancati a un monitor di riferimento per sei mesi. Le medie orarie sono state ripulite e divise per data (70\,\% per l'addestramento e 30\,\% per la valutazione), e sono state confrontate tre opzioni: la lettura non corretta, una regressione lineare e una foresta casuale~[5].
\begin{center}
\begin{tikzpicture}[box/.style={draw=colorOne, rounded corners=4pt, fill=colorTwo!15, thick, text width=6.2cm, minimum height=3cm, align=center, font=\small}, >={Stealth[length=4mm]}]
\node[box] (a) {Sensore a basso costo};
\node[box, right=1.4cm of a] (b) {Pulizia e medie orarie};
\node[box, right=1.4cm of b] (c) {Modello};
\node[box, right=1.4cm of c, fill=colorThree!20, draw=colorThree] (d) {\pmtwo{} calibrato};
\draw[->, very thick] (a) -- (b);
\draw[->, very thick] (b) -- (c);
\draw[->, very thick] (c) -- (d);
\end{tikzpicture}
\end{center}
Il modello lineare corregge la lettura con l'umidità relativa (UR) e la temperatura ($T$):
\begin{equation}
\mathrm{PM}_{2{,}5}^{\mathrm{cal}} = \beta_0 + \beta_1\,\mathrm{PM}_{2{,}5}^{\mathrm{raw}} + \beta_2\,\mathrm{UR} + \beta_3\,T
\end{equation}
La foresta casuale usa le stesse tre variabili e 200 alberi.
}
\block{Conclusioni}{
\bodysize
\begin{itemize}
\item In questo esempio la calibrazione riduce l'errore: l'RMSE scende da 9,8 a 3,6\,\ugm{} e l'$R^2$ sale da 0,62 a 0,93.
\item L'umidità relativa è la variabile di correzione chiave, e un semplice modello lineare elimina già buona parte della distorsione.
\item \textbf{Limiti:} un solo sito e una sola stagione. \textbf{Prossimi passi:} altri siti, deriva nel tempo e trasferimento a sensori nuovi.
\end{itemize}
}
\column{0.5}
\block{Risultati}{
\bodysize
% Figura disegnata con TikZ, senza file immagine. Sostituisci i punti con i tuoi dati o usa \includegraphics.
\begin{tikzfigure}[Letture del sensore rispetto al monitor di riferimento nel set di test (dati illustrativi). La linea tratteggiata indica la concordanza perfetta.]
\begin{tikzpicture}[x=0.39cm, y=0.52cm]
\draw[thick] (0,0) -- (80,0) (0,0) -- (0,80);
\foreach \v in {0,20,40,60,80} {
\draw[thick] (\v,0) -- (\v,-1) (0,\v) -- (-1,\v);
\node[below=3pt] at (\v,-1) {\v};
\node[left=3pt] at (-1,\v) {\v};
}
\draw[dashed, thick, black!60] (0,0) -- (80,80);
\foreach \x/\y in {6/12,11/19,16/26,21/33,27/42,32/49,37/55,42/64,47/70,52/77} {
\draw[thick, black!60] (\x,\y) circle (1.1);
}
\foreach \x/\y in {6/7,11/10,16/17,21/22,27/26,32/33,37/36,42/43,47/46,52/53} {
\fill[colorThree] (\x,\y) circle (1.1);
}
\node[below=40pt] at (40,-1) {\pmtwo{} di riferimento (\ugm)};
\node[rotate=90] at (-10,40) {\pmtwo{} del sensore (\ugm)};
\draw[thick, black!60] (3,75) circle (1.1);
\node[right] at (5.5,75) {Lettura non corretta};
\fill[colorThree] (3,67) circle (1.1);
\node[right] at (5.5,67) {Calibrato (foresta casuale)};
\draw[dashed, thick, black!60] (1.5,59) -- (4.5,59);
\node[right] at (5.5,59) {Linea 1:1};
\end{tikzpicture}
\end{tikzfigure}
% Tabella dei risultati: filetti di booktabs, una riga per modello
\begin{center}
\renewcommand{\arraystretch}{1.5}
\begin{tabular}{lccc}
\toprule
Modello & $R^2$ & RMSE (\ugm) & MAE (\ugm) \\
\midrule
Sensore non calibrato & 0{,}62 & 9{,}8 & 7{,}1 \\
Regressione lineare & 0{,}81 & 6{,}0 & 4{,}3 \\
\textbf{Foresta casuale} & \textbf{0{,}93} & \textbf{3{,}6} & \textbf{2{,}5} \\
\bottomrule
\end{tabular}
\end{center}
{\small Metriche del set di test (valori illustrativi: sostituiscili con i tuoi risultati).}
}
\end{columns}
% Seconda riga: due colonne
\begin{columns}
\column{0.62}
\block{Bibliografia}{
\large\raggedright
% Elenco semplice: sostituisci le voci o usa una bibliografia se preferisci
\begin{enumerate}
\item World Health Organization (2021). \emph{WHO global air quality guidelines}. Geneva: WHO.
\item Barkjohn, K.~K., Gantt, B. and Clements, A.~L. (2021). Development and application of a United States-wide correction for PM$_{2.5}$ data collected with the PurpleAir sensor. \emph{Atmospheric Measurement Techniques}, 14, 4617--4637.
\item Malings, C.\ et al.\ (2020). Fine particle mass monitoring with low-cost sensors: corrections and long-term performance evaluation. \emph{Aerosol Science and Technology}, 54(2), 160--174.
\item Giordano, M.~R.\ et al.\ (2021). From low-cost sensors to high-quality data: a summary of challenges and best practices for effectively calibrating low-cost particulate matter mass sensors. \emph{Journal of Aerosol Science}, 158, 105833.
\item Breiman, L. (2001). Random forests. \emph{Machine Learning}, 45(1), 5--32.
\end{enumerate}
}
\column{0.38}
\block{Contatti}{
\bodysize\raggedright
\textbf{Giulia Romano}\\
giulia.romano@universita.example\\
www.universita.example/laboratorio
\vspace{0.8em}
\textbf{Ringraziamenti}\\
Questo lavoro è finanziato dall'Ente Finanziatore (progetto 000000). Ringraziamo la Rete Regionale per la Qualità dell'Aria per l'accesso alla sua stazione di riferimento.
}
\end{columns}
\end{document}