Επιχειρησιακή σύντηξη δεδομένων για τη βελτίωση της εκτίμησης της ποιότητας του αέρα με μεθόδους μηχανικής μάθησης

Abstract

Atmospheric pollution constitutes one of the most critical environmental challenges in contemporary cities with significant implications for the health of their inhabitants. Addressing this issue necessitates accurate estimation of pollutants at high spatial resolution. Existing methods for assessing air quality present limitations and challenges. The aim of this work is to improve the spatial resolution and reliability of air quality estimates in cities, under operational conditions. Utilization of new technologies, the abundance of freely available data, and Machine Learning are used in an approach towards data fusion in the direction of smart cities. A wide range of methods is tested in two urban environments with different conditions (Thessaloniki, Helsinki). Additionally, a new method (GAHS) is developed that successfully combines information from different models, with potential applications to many similar problems. Another significant finding of the work is the improvement of the accuracy of low-cost air quality sensors as a network. Results demonstrate the capability of the data fusion approach to upgrade the spatial resolution of information at the city-block level while achieving higher accuracy compared to other available methods for air quality estimations in each area. Finally, all the above are tested under operational conditions and, in the case of Thessaloniki, an information system is designed and implemented which provides real-time estimates through a web application.

Η ατμοσφαιρική ρύπανση αποτελεί μια εκ των σημαντικότερων περιβαλλοντικών προκλήσεων στις σύγχρονες πόλεις με σημαντικές επιπτώσεις στην υγεία των κατοίκων τους. Η αντιμετώπισή της καθιστά αναγκαία την ακριβή εκτίμηση των ρύπων με υψηλή χωρική ανάλυση. Οι υπάρχουσες μέθοδοι εκτίμησης της ποιότητας του αέρα παρουσιάζουν περιορισμούς και δυσκολίες. Σκοπός της παρούσας εργασίας είναι η βελτίωση της χωρικής ανάλυσης και της αξιοπιστίας της εκτίμησης της ποιότητας του αέρα σε πόλεις, υπό επιχειρησιακές συνθήκες. Για την επίτευξη του στόχου γίνεται χρήση των νέων τεχνολογιών, της πληθώρας των ελευθέρα διαθέσιμων δεδομένων και την Μηχανικής Μάθησης σε μια προσέγγιση σύντηξης δεδομένων στην κατεύθυνση των έξυπνων πόλεων. Δοκιμάζεται μια ευρεία γκάμα μεθόδων σε δυο αστικά περιβάλλοντα με διαφορετικές συνθήκες (Θεσσαλονίκη, Ελσίνκι). Παράλληλα, δημιουργείται και μια νέα μέθοδος (GAHS) που συνδυάζει με επιτυχία πληροφορία από διαφορετικά μοντέλα, με πιθανές εφαρμογές της σε πολλά αντίστοιχα προβλήματα. Επιπρόσθετα, σημαντικό εύρημα της εργασίας αποτελεί η βελτίωση της ακρίβειας των αισθητήρων ποιότητας του αέρα χαμηλού κόστους ως δίκτυο. Τα αποτελέσματα αποδεικνύουν την δυνατότητα της σύντηξης δεδομένων να αναβαθμίσει τη χωρική ανάλυση της πληροφορίας σε επίπεδο οικοδομικού τετράγωνου, ενώ παράλληλα να επιτύχει τη μεγαλύτερη ακρίβεια σε σχέση με τις υπόλοιπες διαθέσιμες μεθόδους εκτίμησης της ποιότητας του αέρα στην κάθε περιοχή. Τέλος, όλα τα παραπάνω δοκιμάζονται κάτω από επιχειρησιακής συνθήκες, ενώ στην περίπτωση της Θεσσαλονίκης σχεδιάζεται και υλοποιείται το πληροφοριακό σύστημα το οποίο παρέχει τις εκτιμήσεις σε πραγματικό χρόνο σε διαδικτυακή εφαρμογή.