El crecimiento industrial ha acarreado grandes avances tecnológicos para nuestra sociedad. Lamentablemente, el precio a pagar por estos avances ha sido un aumento significativo de los niveles de contaminación del aire en todo el mundo, afectando tanto a zonas urbanas como a las zonas rurales. Por lo general, la monitorización de la calidad aire se realiza mediante estaciones de monitorización fijas. Sin embargo, este método es demasiado costoso, poco escalable y difícil de implementar en nuestras ciudades, las cuales están cada vez más pobladas.
El uso de Mobile CrowdSensing, paradigma en el cual la monitorización la realizan los propios usuarios, permite realizar monitorización ambiental utilizando sensores móviles integrados en vehículos. Los posibles escenarios se pueden dividir en dos: entornos urbanos, donde hay un amplio conjunto de vehículos disponibles, y entornos rurales o industriales, donde el tráfico vehicular es escaso y está limitado a las principales arterias de transporte.
Teniendo en cuenta estos dos escenarios, esta tesis propone una arquitectura, llamada EcoSensor, que permite monitorizar la contaminación del aire utilizando pequeños sensores de bajo coste instalados en diferentes tipos de vehículos, tales como bicicletas, automóviles o autobuses del sistema de transporte público, en el caso de entornos urbanos, y en drones o UAS en entornos rurales.
La arquitectura propuesta está compuesta por tres componentes: un sensor de bajo coste para capturar datos de contaminación, un smartphone para realizar un preprocesamiento de la información y para transmitir los datos hacia un servidor central, y el servidor central, encargado de almacenar y procesar la información de contaminación ambiental.
Para entornos urbanos, analizamos diferentes alternativas con respecto al diseño de una unidad de monitorización de bajo coste basada en plataformas de prototipado comerciales como RaspberryPi o Arduino, junto con sensores también de precio reducido.
En la tesis realizamos un análisis, y proponemos un proceso, para llevar a cabo la monitorización ambiental utilizando la arquitectura propuesta. Este proceso abarca cuatro operaciones básicas: captura de datos, conversión de unidades, reducción de la variabilidad temporal, e interpolación espacial.
Para entornos rurales, proponemos el uso de drones como unidades de sensorización móviles. Específicamente, equipamos el drone con capacidades de monitorización a través de un microordenador RaspberryPi y sensores de calidad del aire de bajo coste.
Finalmente, se propone un algoritmo llamado PdUC para controlar el vuelo del UAV con el objetivo de realizar monitorización ambiental, identificando las áreas más contaminadas, y tratando de ese modo de mejorar la precisión general y la velocidad de monitorización. Además, proponemos una mejora a este algoritmo, denominada PdUC-D, basada en la discretización del área a monitorizar dividiéndola en pequeñas áreas (tiles), donde cada tile se monitoriza una sola vez, evitando así realizar muestreos redundantes.
En general, verificamos que la monitorización móvil es una aproximación eficiente y fiable para monitorizar la contaminación del aire en cualquier entorno, ya sea usando vehículos o bicicletas en entornos urbanos, o UAVs en entornos rurales. Con respecto al proceso de monitorización ambiental, validamos nuestra propuesta comparando los valores obtenidos por nuestros sensores móviles de bajo coste con respecto a los valores típicos de referencia ofrecidos por las estaciones de monitorización fijas para el mismo período y ubicación, comprobando que los resultados son semejantes, y están acuerdo a lo esperado. Además, demostramos que PdUC-D, permite guiar autónomamente un UAV en tareas de monitorización del aire, ofreciendo un mejor rendimiento que los modelos de movilidad típicos, reduciendo tanto los errores de predicción como el tiempo para cubrir el área completa, / Industrial growth has brought unforeseen technological advances to our society. Unfortunately, the price to pay for these advances has been an increase of the air pollution levels worldwide, affecting both urban and countryside areas. Typically, air pollution monitoring relies on fixed monitoring stations to carry out the pollution control. However, this method is too expensive, not scalable, and hard to implement in any city.
The Mobile Crowdsensing (MCS) approach, a novel paradigm whereby users are in charge of performing monitoring tasks, allows environment monitoring to be made using small sensors embedded in mobile vehicles. The possible scenarios can be divided into two: urban scenarios, where a wide set of vehicles are available, and rural and industrial areas, where vehicular traffic is scarce and limited to the main transportation arteries.
Considering these two scenarios, in this thesis we propose an architecture, called EcoSensor, to monitor the air pollution using small sensors installed in vehicles, such as bicycles, private cars, or the public transportation system, applicable to urban scenarios, and the use of an Unmanned Aerial System (UAS) in rural scenarios.
Three main components compose our architecture: a low-cost sensor to capture pollution data, a smartphone to preprocess the pollution information and transmit the data towards a central server, and the central server, to store and process pollution information.
For urban scenarios, we analyze different alternatives regarding the design of a low-cost sensing unit based on commercial prototyping platforms such as Raspberry Pi or Arduino, and Commercial Off-the-shelf (COTS) air quality sensors.
Moreover, we analyze and propose a process to perform pollution monitoring using our architecture. This process encompasses four basic operations: data reading, unit conversion, time variability reduction, and spatial interpolation.
For rural scenarios, we propose the use of an Unmanned Aerial Vehicle (UAV) as a mobile sensor. Specifically, we equip the UAV with sensing capabilities through a Raspberry Pi microcomputer and low-cost air quality sensors.
Finally, we propose an algorithm, called Pollution-driven UAV Control (PdUC), to control the UAV flight for monitoring tasks by focusing on the most polluted areas, and thereby attempting to improve the overall accuracy while minimizing flight time. We then propose an improvement to this algorithm, called Discretized Pollution-driven UAV Control (PdUC-D), where we discretize the target area by splitting it into small tiles, where each tile is monitored only once, thereby avoiding redundant sampling.
Overall, we found that mobile sensing is a good approach for monitoring air pollution in any environment, either by using vehicles or bicycles in urban scenarios, or an UAVs in rural scenarios. We validate our proposal by comparing obtained values by our mobile sensors against typical values reported by monitoring stations at the same time and location, showing that the results are right, matching the expected values with a low error. Moreover, we proved that PdUC-D, our protocol for the autonomous guidance of UAVs performing air monitoring tasks, has better performance than typical mobility models in terms of reducing the prediction errors and reducing the time to cover the whole area.Moreover, we analyze and propose a process to perform pollution monitoring using our architecture. This process encompasses four basic operations: data reading, unit conversion, time variability reduction, and spatial interpolation. / El creixement industrial ha implicat grans avanços tecnològics per a la nostra societat. Lamentablement, el preu que cal pagar per aquests avanços ha sigut un augment significatiu dels nivells de contaminació de l'aire a tot el món, que afecta tant zones urbanes com zones rurals. En general, el monitoratge de la qualitat aire es fa mitjançant estacions de monitoratge fixes. No obstant això, aquest mètode és massa costós, poc escalable i difícil d'implementar a les nostres ciutats, les quals estan cada vegada més poblades.
L'ús de Mobile CrowdSensing (MCS), paradigma en el qual el monitoratge el duen a terme els mateixos usuaris, permet realitzar monitorització ambiental tenint sensors mòbils integrats en vehicles. Els possibles escenaris es poden dividir en dos: entorns urbans, on hi ha un ampli conjunt de vehicles disponibles, i entorns rurals o industrials, on el trànsit vehicular és escàs i està limitat a les principals artèries de transport.
Tenint en compte aquests dos escenaris, aquesta tesi proposa una arquitectura, anomenada EcoSensor, que permet monitorar la contaminació de l'aire utilitzant petits sensors de baix cost instal·lats en diferents tipus de vehicles, com ara bicicletes, automòbils o autobusos del sistema de transport públic, en el cas d'entorns urbans, i en UAVs (Unmanned Aerial Vehicles) en entorns rurals.
L'arquitectura proposada està composta per tres components: un sensor de baix cost per a capturar dades de contaminació, un smartphone per a realitzar un preprocessament de la informació i per a transmetre les dades cap a un servidor central, i el servidor central, encarregat d'emmagatzemar i processar la informació de contaminació ambiental.
Per a entorns urbans, analitzem diferents alternatives pel que fa al disseny d'una unitat de monitoratge (sensor mòbil) de baix cost basada en plataformes de prototipatge comercials com Raspberry Pi o Arduino, juntament amb sensors també de preu reduït.
En la tesi fem una anàlisi, i proposem un procés, per a dur a terme el monitoratge ambiental utilitzant l'arquitectura proposada. Aquest procés abasta quatre operacions bàsiques: captura de dades, conversió d'unitats, reducció de la variabilitat temporal, i interpolació espacial.
Per a entorns rurals, proposem l'ús de drons o Unmanned Aerial Vehicles (UAVs) com a unitats de sensorització mòbils. Específicament, equipem el dron amb capacitats de monitoratge a través d'un microordinador Raspberry Pi i sensors de qualitat de l'aire de baix cost.
Finalment, es proposa un algorisme anomenat PdUC (Pollution-driven UAV Control) per a controlar el vol del UAV amb l'objectiu de realitzar monitoratge ambiental, que identifica les àrees més contaminades i que, d'aquesta manera, tracta de millorar la precisió general i la velocitat de monitoratge. A més, proposem una millora a aquest algorisme, denominada PdUC-D, basada en la discretització de l'àrea a monitorar dividint-la en xicotetes àrees (tiles), on cada tile es monitora una sola vegada, fet que evita dur a terme mostrejos redundants.
En general, verifiquem que el monitoratge mòbil és una aproximació eficient i fiable per a monitorar la contaminació de l'aire en qualsevol entorn, ja siga usant vehicles o bicicletes en entorns urbans, o UAVs en entorns rurals. Pel que fa al procés de monitoratge ambiental, validem la nostra proposta comparant els valors obtinguts pels nostres sensors mòbils de baix cost pel que fa als valors típics de referència oferits per les estacions de monitoratge fixes per al mateix període i ubicació, i es comprova que els resultats són semblants, i estan d'acord amb el resultat esperat. A més, es demostra que PdUC-D permet guiar autònomament un UAV en tasques de monitoratge de l'aire, oferint un millor rendiment que els models de mobilitat típics, reduint tant els errors de predicció com el temps per a cobrir l'àrea completa, i aconseguint una major precisió dins de les àrees més / Alvear Alvear, ÓP. (2018). Mobile Sensing Architecture for Air Pollution Monitoring [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/107928
| Identifer | oai:union.ndltd.org:upv.es/oai:riunet.upv.es:10251/107928 |
| Date | 10 September 2018 |
| Creators | Alvear Alvear, Óscar Patricio |
| Contributors | Tavares de Araujo Cesariny Calafate, Carlos Miguel, Universitat Politècnica de València. Departamento de Informática de Sistemas y Computadores - Departament d'Informàtica de Sistemes i Computadors |
| Publisher | Universitat Politècnica de València |
| Source Sets | Universitat Politècnica de València |
| Language | English |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/doctoralThesis, info:eu-repo/semantics/acceptedVersion |
| Rights | http://rightsstatements.org/vocab/InC/1.0/, info:eu-repo/semantics/openAccess |
Page generated in 0.0035 seconds