Design und Entwicklung einer offenen

Wissenschaftliche Berichte Band 12, Artikelnummer: 14416 (2022) Diesen Artikel zitieren

2793 Zugriffe

4 Zitate

21 Altmetrisch

Details zu den Metriken

Städte auf der ganzen Welt kämpfen mit Umweltverschmutzung. Die herkömmlichen Überwachungsansätze sind aus logistischen und kostenbezogenen Gründen für die Durchführung einer groß angelegten Umweltüberwachung nicht effektiv. Die Verfügbarkeit kostengünstiger und stromsparender Internet-of-Things-Geräte (IoT) hat sich als wirksame Alternative zur Überwachung der Umgebung erwiesen. Solche Systeme haben den Bürgern Möglichkeiten zur Umgebungsüberwachung eröffnet und sie gleichzeitig mit Herausforderungen im Zusammenhang mit der Sensorgenauigkeit und der Ansammlung großer Datensätze konfrontiert. Die Analyse und Interpretation von Sensordaten selbst ist eine gewaltige Aufgabe, die umfangreiche Rechenressourcen und Fachwissen erfordert. Um dieser Herausforderung zu begegnen, wird ein soziales, Open-Source- und bürgerzentriertes IoT-Framework (Soc-IoT) vorgestellt, das ein Echtzeit-Umweltsensorgerät mit einer intuitiven Datenanalyse- und Visualisierungsanwendung kombiniert. Soc-IoT besteht aus zwei Hauptkomponenten: (1) CoSense Unit – ein ressourceneffizientes, tragbares und modulares Gerät, das für die Umgebungsüberwachung im Innen- und Außenbereich entwickelt und evaluiert wurde, und (2) exploreR – eine intuitive plattformübergreifende Datenanalyse- und Visualisierungsanwendung, die bietet ein umfassendes Set an Werkzeugen zur systematischen Analyse von Sensordaten ohne Programmieraufwand. Soc-IoT wurde als Proof-of-Concept-Framework zur Überwachung der Umwelt in großem Maßstab entwickelt und zielt darauf ab, die Widerstandsfähigkeit der Umwelt und offene Innovation durch den Abbau technologischer Barrieren zu fördern.

In den letzten Jahren hat die Urbanisierung weltweit auf regionaler und nationaler Ebene massiv zugenommen. Obwohl die rasche Urbanisierung zu Wirtschaftswachstum geführt hat, hat sie auch zu Umweltzerstörung geführt1. Aktivitäten wie der übermäßige Einsatz fossiler Brennstoffe zur Energieerzeugung und die Abholzung von Wäldern zur Schaffung weiterer städtischer Räume tragen bereits zur Verschlechterung der Luftqualität bei. Auch die verkehrsbedingte Umweltverschmutzung (hauptsächlich Luft- und Lärmverschmutzung) trägt zur Verschlechterung der Umwelt und Gesundheit bei. Die Weltgesundheitsorganisation (WHO) hat verkehrsbedingten Lärm bereits als Risiko für die öffentliche Gesundheit identifiziert, da er den menschlichen Schlafzyklus stören, Stress erhöhen und zu psychiatrischen Störungen führen kann2. Lärm und Luftverschmutzung sind nicht die einzigen Nebenwirkungen der Urbanisierung. Der übermäßige Einsatz künstlicher Beleuchtung in Städten trägt bereits zur Lichtverschmutzung bei, was dazu führt, dass mehr Wärme in die Atmosphäre abgegeben wird3. Die Umweltverschmutzung beschränkt sich nicht nur auf Entwicklungs- oder unterentwickelte Länder, sondern auch Länder mit hohem Einkommen sind davon negativ betroffen4. Laut einem Bericht der WHO5 ist die Belastung durch Luftverschmutzung in Innenräumen und im Freien eng mit Herz- und Herz-Kreislauf-Erkrankungen verbunden. Von den verschiedenen Schadstoffen ist bekannt, dass Feinstaub (PM) im Vergleich zu gasförmigen Bestandteilen gefährlicher für die menschliche Gesundheit ist6. Zwar haben Regierungen und Umweltschutzbehörden zahlreiche Anstrengungen unternommen, um Bedrohungen wie die Luftverschmutzung zu bekämpfen, es gab jedoch nur begrenzte Erfolge bei der Reduzierung der Schadstoffwerte wie Feinstaub. Dies ist hauptsächlich auf die begrenzte Verfügbarkeit genauer und feinkörniger Daten zur Luftqualität zurückzuführen, die für die Entwicklung wirksamer Richtlinien erforderlich sind. Die in den meisten Ländern der Welt verwendeten offiziellen Überwachungsnetze bestehen aus einer begrenzten Anzahl fester Überwachungsstationen. Sie sind genau, decken jedoch nur einen begrenzten geografischen Bereich ab7. Aufgrund der teuren und sperrigen Beschaffenheit solcher Stationen ist es logistisch nicht möglich, solche Stationen massenhaft einzusetzen. Ebenso beschränken sich Lärmüberwachungsinfrastrukturen auf den teuren Charakter professioneller Schallpegelmesser und schlecht kalibrierter, kostengünstiger Lärmüberwachungssensoren8.

Dank des Aufstiegs des Smart-City-Konzepts ist es heute einfacher denn je, groß angelegte Umweltdaten zu sammeln. Intelligente Städte sind Städte, in denen Informations- und Kommunikationstechnologie (IKT) in das Stadtgefüge integriert ist, um Daten zu sammeln, um die Infrastruktur zu verbessern und den Menschen bessere Dienstleistungen anzubieten9. Eines der strategischen Ziele intelligenter Städte ist die Verbesserung der wirtschaftlichen, sozialen und ökologischen Nachhaltigkeit10. Um die Nachhaltigkeitsanforderungen zu erfüllen, nutzen intelligente Städte Technologien, die die Lebensqualität verbessern, städtische Abläufe und Dienstleistungen verbessern und eine nachhaltige Entwicklung fördern11. Das Internet der Dinge (IoT) beschleunigt bereits die Innovation in intelligenten Städten, indem es die Steuerung komplizierter Systeme wie Verkehrssteuerung, Umweltüberwachung und automatische Straßenbeleuchtung mithilfe von Daten vernetzter Sensoren ermöglicht. Die Nutzung von IoT-Geräten mit integrierten kostengünstigen Sensoren zur Umweltüberwachung hat in den letzten Jahren dramatisch zugenommen12. Aufgrund der geringen Kosten der Sensoren konnten Bürger auf diese Technologien zugreifen und sie für Aktivitäten wie Crowd-Sensing nutzen, bei dem eine Gruppe von Bewohnern kostengünstige Sensorsysteme nutzt, um die Umgebung zu überwachen und verwertbare Daten zu sammeln. Der Open-Source-Charakter von Umweltüberwachungslösungen hat auch zum Aufstieg der IoT-basierten Umweltüberwachung beigetragen. Open Source bezieht sich auf jedes Programm oder jede Plattform, deren Quellcode frei verfügbar ist und wiederverwendet und weitergegeben werden kann13. Die Anwendung Crowd-basierter Methoden in der Forschung hat im letzten Jahrzehnt erheblich zugenommen10. Dies hat zu einer Zunahme verschiedener Formen der Crowd-Beteiligung geführt, wie etwa Crowdsourcing und Citizen Science; Ersteres bezieht Menschen in die Sammlung von Ideen und Lösungen für verschiedene Probleme ein10, während Letzteres es Menschen ermöglicht, sich an wissenschaftlichen Prozessen zu beteiligen und Input und wertvolle Beiträge zu leisten14. Kostengünstige IoT-Systeme haben groß angelegte Einsätze und Datenerfassung mit feineren räumlich-zeitlichen Auflösungen ermöglicht, was mit herkömmlichen Überwachungssystemen aufgrund logistischer und finanzieller Einschränkungen zuvor nicht möglich war15. Diese Geräte liefern Luftqualitätsdaten in Echtzeit, die für das Verständnis der Umgebungsumgebung nützlich sein können und Entscheidungsträgern dabei helfen können, bessere Richtlinien zur Schadstoffkontrolle zu entwickeln. Es gibt mehrere Beispiele dafür, wie kostengünstige Umweltüberwachungslösungen auf der ganzen Welt implementiert wurden, um das Bewusstsein für Luftverschmutzung zu schärfen15,16,17, Datensätze zur Luftverschmutzung zu erstellen15,18, die Beteiligung der Bürger an der Überwachung der Luftqualität zu fördern19,20,21 und Erstellen Sie Anwendungen für datengestützte Entscheidungsfindung22,23. Die Wirkung beschränkt sich nicht nur auf die Sensibilisierung, sondern auch auf die Entwicklung innovativer Methoden und Technologien zur Verbesserung des Wohlbefindens der Bürger24. Die Studien von Pigliautile et al.25,26 sind gute Beispiele dafür, wie innovative Lösungen wie tragbare Sensortechnologie zur Untersuchung komplexer Themen wie Mikroklimaschwankungen und Fußgängerkomfort eingesetzt werden können. Die durch das Internet der Dinge gesammelten wertvollen Daten haben direkte Auswirkungen auf die standortbasierten Dienste, die den Bürgern zur Verfügung gestellt werden. Die Daten sind von entscheidender Bedeutung für die Erstellung fortschrittlicher Rahmenwerke für die Analyse von Luftqualitätsdaten27,28, PM2,5-Prognosesystemen29,30,31, Ökosystemen für eine intelligente Umweltverwaltung32,33 und widerstandsfähiger Städte34.

Netzwerkvisualisierung häufig vorkommender Begriffe in der vorhandenen Literatur zu den Schlagworten „Internet der Dinge“ und „Luftverschmutzungsüberwachung“.

Bibliometrische Analyse Die bibliometrische Analyse ist eine effiziente Methode, um Forschungstrends und wissenschaftliche Netzwerke in verschiedenen Disziplinen zu verstehen28. In dieser Arbeit wurde eine bibliometrische Analyse durchgeführt, um den Stand der Technik sowie Forschungslücken aufzuzeigen. Um zu verstehen, wie Schlüsselwörter wie „Internet der Dinge“ und „Luftverschmutzungsüberwachung“ in der vorhandenen Literatur verwendet wurden und in welchem ​​Kontext quantitative bibliometrische Analyse- und Wissenskartierungsansätze verwendet wurden. Um die Schlüsselwörter zu finden, die häufiger gemeinsam besprochen werden, wurde die Methode des gleichzeitigen Vorkommens von Schlüsselwörtern verwendet. Um die Analyse durchzuführen, wurde zunächst eine Suchabfrage erstellt, die alle in der Web of Science-Datenbank35 seit dem Jahr 1990 indizierten Artikel mit den Themen „Internet der Dinge“ UND „Überwachung der Luftverschmutzung“ durchsuchte. Die Suche umfasste den Titel des Aufsatzes, die Zusammenfassung und die Schlüsselwörter des Autors. Die Suchanfrage ergab 65 Artikel. Die Daten aus diesen 65 Artikeln wurden verwendet, um das in Abb. 1 dargestellte Schlüsselwort-Kookkurrenz-Netzwerkdiagramm zu erstellen. Zur Durchführung der Netzwerkanalyse wurde das bibliometrix-Paket von R verwendet36. Zur Erstellung des Netzwerkdiagramms wurde die Analyse des gleichzeitigen Vorkommens von Schlüsselwörtern verwendet, indem nach sehr häufigen Begriffen in der Datenbank gesucht wurde, die durch die ursprüngliche Suchabfrage erstellt wurde. Die Knoten wurden aus den 50 am häufigsten vorkommenden Begriffen ausgewählt. An jedem Knoten gab es mindestens zwei Kanten. Um die Communities im Netzwerk zu erkennen, wurde die Louvain-Methode zur Community-Erkennung implementiert37. Es handelt sich um einen Clustering-Algorithmus, der auf dem Greedy-Ansatz zur Modularitätsoptimierung basiert. Zu Beginn wird jeder Knoten einem eindeutigen Cluster zugeordnet. Anschließend wird jeder Knoten in einem anderen Cluster platziert, um das Netzwerk modularer zu gestalten. Der Vorgang wird mehrmals wiederholt, bis kein weiterer Verbesserungsspielraum für die Netzwerkmodularität besteht. In Abb. 1 ist zu erkennen, dass es drei zentrale Forschungscluster gibt. Der größte Cluster konzentriert sich hauptsächlich auf Luftverschmutzungsüberwachungssysteme, Umwelt und intelligente Städte. Von den beiden anderen Clustern konzentriert sich einer auf IoT-Geräte, Daten und Informationen, während sich der andere eher auf PM, Netzwerke und Sensoren konzentriert. Trotz eines starken Fokus der bestehenden Forschung auf IoT-Systeme, Umwelt, Daten und Städte wurden überraschenderweise keine Schlüsselwörter wie „Bürger“, „Community“, „Open-Source“ oder „Nachhaltigkeit“ erwähnt. Es gibt eine klare Lücke, wenn es um die Überbrückung von IoT, Umweltüberwachung, Bürgerbeteiligung und Open-Source-Lösungen geht. Dies unterstreicht die Relevanz dieser Studie, die darauf abzielt, einen Proof-of-Concept-Rahmen für die Umweltüberwachung zu schaffen, der bürgerzentriert, quelloffen und nachhaltig ist.

Überblick über den vorgeschlagenen Rahmen.

Motivation Während der Einsatz kostengünstiger Sensoren die Verfügbarkeit und den Zugang zu Luftqualitätsdaten verbessert hat, müssen noch einige Herausforderungen angegangen werden. Die Datenqualität und Genauigkeit kostengünstiger Sensoren bleibt eine der größten Herausforderungen38,39,40. Es wurde ausführlich darüber diskutiert, wie eine IoT-Anwendung aufgrund schlechter Qualität der Sensordaten als nutzlos angesehen werden könnte41. Dies schränkt nicht nur die potenzielle Nutzung von IoT-Daten für verschiedene Anwendungen ein, sondern schafft auch ein Umfeld, in dem die Akzeptanz von von Bürgern generierten Daten aufgrund mangelnder Genauigkeit abnimmt. Daher ist es zwingend erforderlich, dass die Hardware- und Softwarekomponenten des IoT-Frameworks umfassend validiert werden, um die Sensordaten erfolgreich mit minimalen Fehlern und fehlenden Daten verarbeiten zu können. Es wurde auch beobachtet, dass IoT-Systeme manchmal weniger auf den Menschen ausgerichtet sind42. Dies kann mit hochautomatisierten Sensoren, Black-Box-Algorithmen, Datenzugänglichkeit und komplexen Datenanalysetools zusammenhängen. Das Fehlen eines wertsensiblen Designs führt häufig zu einer Entmachtung der Nutzer und anschließendem Rückzug43,44. Dies ist ein wichtiges Anliegen, da die meisten bürgerwissenschaftlichen Projekte zur Überwachung der Luftqualität auf Freiwillige angewiesen sind, die ihre Zeit und Ressourcen investieren. Beispielsweise verlassen sich die Bürger in vielen bürgerwissenschaftlichen Projekten zur Überwachung der Luftqualität auf Experten, die die Datenanalyse und -interpretation durchführen. Für die Analyse von Daten ist zwar wissenschaftliches Fachwissen erforderlich, aber die Schaffung von Möglichkeiten für Bürger zur Datenanalyse und -interpretation ermöglicht es, die Kluft zwischen Experten und Nichtexperten zu überbrücken. Es fördert auch das Gefühl der Zusammenarbeit und des Vertrauens, die für eine erfolgreiche Bürgerwissenschaft wichtig sind. Ein weiteres drängendes Thema ist die Berücksichtigung von Nachhaltigkeitsfaktoren bei der Gestaltung, Entwicklung und Implementierung kostengünstiger Sensorsysteme. Basierend auf einer Studie45 wurde festgestellt, dass es nur begrenzte Literatur zum Verständnis der langfristigen Nachhaltigkeit kostengünstiger Sensorlösungen für die Umweltüberwachung gibt. Der Schwerpunkt der meisten Studien lag auf der Datenerhebung und -analyse. Dies könnte teilweise darauf zurückzuführen sein, dass die meisten dieser Sensorstudien in Regionen durchgeführt werden, die über erhebliche Ressourcen und Infrastruktur verfügen45.

Dieses Papier befasst sich mit diesen Herausforderungen, indem es den Entwurf, die Implementierung und die potenziellen Auswirkungen eines sozialen, Open-Source- und bürgerzentrierten IoT-Frameworks (Soc-IoT, ausgesprochen als „Gesellschaft“) beschreibt. Abb. 2. Soc-IoT wird vorgeschlagen als ein Open-Source-46-Umweltüberwachungs- und Datenanalyse-Framework, das kollektives und partizipatives Handeln sowie soziale Auswirkungen fördert. Es besteht aus zwei Schlüsselkomponenten, die speziell für die Lösung der zuvor im Papier angesprochenen Probleme konzipiert und entwickelt wurden. Die erste Komponente ist die CoSense-Einheit, ein modulares und quelloffenes Umgebungserfassungsgerät, das konsistente und zuverlässige Daten zur Luftqualität liefern kann. Es wurde gründlich in einer realen Umgebung getestet und validiert und in Zusammenarbeit mit einer Umweltüberwachungsstation der Schweizer Regierung bewertet. Der CO2-Fußabdruck und der Energieverbrauch dieser kostengünstigen Geräte werden ebenfalls untersucht, um die ökologische Nachhaltigkeit der CoSense-Einheit zu ermitteln. Die zweite Kernkomponente des Frameworks ist exploreR, eine Open-Source-RShiny-basierte Datenanalyse- und Visualisierungsanwendung. Die App soll technische Hürden, insbesondere im Zusammenhang mit der Programmierung, abbauen, indem sie es Bürgern und Fachleuten gleichermaßen ermöglicht, Sensordaten sinnvoll zu untersuchen und zu interpretieren. Um das kritische Problem der kollaborativen Umweltsensorik anzugehen, ist das gesamte Rahmenwerk darauf ausgelegt, ein innovatives Ökosystem zu schaffen, das Zusammenarbeit, nachhaltige Praktiken und Inklusivität fördert.

In diesem Abschnitt wird die Methodik hinter dem Entwurf des vorgeschlagenen Soc-IoT-Frameworks beschrieben. Die folgenden Abschnitte bieten einen detaillierten Überblick über die Systemarchitektur, den Sensorprototyp und die Datenanalyseanwendung.

Soc-IoT-Systeminfrastruktur.

Das Soc-IoT-Framework basiert auf dem Prinzip der Open-Source-Hardware und -Software. Abbildung 3 zeigt die Systemarchitektur des vorgeschlagenen Frameworks. Es besteht aus vier Hauptkomponenten:

Datenerfassungsschicht: Diese Schicht besteht aus den Sensoren, die für die Erfassung der von der CoSense-Einheit überwachten Umgebungsvariablen verantwortlich sind. Die aktuelle Version der CoSense-Einheit besteht aus einem Sensirion SPS 30 PM-Sensor, der PM1, PM2,5 und PM10 erfassen kann. Die Enviro+-Karte für Raspberry Pi dient zur Überwachung von Temperatur, Druck, Luftfeuchtigkeit, Lichtintensität, Lärm und Gaskonzentration (NO2, NH3 und CO). Da es sich bei den Codes für diese Sensoren um Open-Source-Codes handelt, können Benutzer die Sensoren entsprechend ihren Anforderungen problemlos neu programmieren sowie die Sensoren ohne Komplikationen untersuchen und verifizieren. Weitere Details zu den Hardwarekomponenten finden Sie im nächsten Abschnitt.

Datenverarbeitungs- und Kommunikationsschicht: Diese Schicht ist für die Verarbeitung und Integration von Daten verschiedener Sensoren und deren Übermittlung an die Datenspeicherschicht verantwortlich. Ein Raspberry Pi Zero übernimmt alle Funktionen rund um die Datenverarbeitung und Kommunikation. Mit dem Wi-Fi-Modul des Raspberry Pi Zero wird ein Zugangspunkt erstellt, der einen kontinuierlichen Datenfluss vom Raspberry Pi Zero zur Datenspeicherschicht ermöglicht. Für die Datenübertragung wurden unterschiedliche Datenübertragungsprotokolle in Betracht gezogen. Die aktuelle Version der CoSense Unit nutzt aufgrund der hohen Übertragungszuverlässigkeit und Infrastruktur das Hyper Text Transfer Protocol (HTTP)40,47.

Datenspeicherschicht: Diese Schicht ist für die sichere Speicherung der Daten verantwortlich. Die aktuelle Version des Frameworks ermöglicht zwei Speicheroptionen. Entweder können die Daten direkt an die ThingSpeak-Datenbank übertragen werden oder der Benutzer speichert die Daten lokal auf der SD-Karte, die dem Raspberry Pi beiliegt. Dies ist von Vorteil, wenn das Internet nicht verfügbar ist, um die Daten an die ThingSpeak-Cloud zu senden. Die Benutzer können die Daten später einfach von der SD-Karte in ihren Datenstrom hochladen. Dies bietet den Benutzern auch mehr Kontrolle über ihre Daten. Wenn die Nutzer ihre Daten nicht weitergeben möchten, können sie die Veröffentlichung ihres Datenstreams ablehnen und die Daten aus dem Stream und der SD-Karte zu ihrer Information verwenden.

Anwendungsschicht: Die Daten aus der Speicherschicht werden verwendet, um Anwendungen zu erstellen, die dazu dienen, die Rohdaten zu verstehen. Dazu gehören Datenströme, Visualisierungen und Datenanalyseanwendungen. Das Soc-IoT-Framework umfasst zwei Kernanwendungen: (1) ThingSpeak-Dashboard, das es einem Benutzer ermöglicht, Datenströme zu erstellen, Daten zu visualisieren und Matlab-Funktionen zur Durchführung von Datenanalysen zu verwenden. (2) Eine R-basierte Anwendung, die es einem Benutzer ermöglicht, Daten zu verarbeiten, zu analysieren und zu visualisieren und maschinelles Lernen (ML) an den Daten durchzuführen. Abschnitt 3 enthält weitere Einzelheiten zu den Anträgen.

Obwohl die Qualität der Umwelt einen erheblichen Einfluss auf die Gesundheit hat, sind sich die meisten Menschen dessen nicht bewusst48. Die meisten schädlichen Schadstoffe sind beispielsweise farb- und geruchlos, was es schwierig macht, ihren tatsächlichen Gehalt zu bestimmen. Daher ist ein effizientes System, das den Verschmutzungsgrad quantifiziert und Feedback liefert, von entscheidender Bedeutung. Objektive Messungen und leicht verständliche Visualisierungen könnten Menschen dabei helfen, Luftqualität, Beleuchtung und Lärmpegel bewusst zu verarbeiten und gegebenenfalls anzupassen. Mit anderen Worten: Um eine Verhaltensänderung herbeizuführen, sind objektive Messungen erforderlich. Die CoSense-Einheit ist die Hardwarekomponente des Soc-IoT-Frameworks, die für die Umgebungsüberwachung im Innen- und Außenbereich verantwortlich ist. Es wurde unter Verwendung modernster Sensoren und eines Einplatinencomputers entwickelt. Die aktuelle Version der CoSense-Einheit misst: (1) PM-Konzentration in der Luft; (2) Temperatur, Druck, Luftfeuchtigkeit; (3) Gaskonzentration (NO2, NH3, CO); (3) Lichtintensität; und (4) Lärm. Der modulare Aufbau des Geräts ermöglicht es Benutzern, je nach Bedarf problemlos weitere Sensoren zu entfernen und hinzuzufügen. Die CoSense-Einheit ist einfach zu montieren und kann zur Erfassung der Innen- und Außenumgebung verwendet werden. Für den Aufbau einer partizipativen Sensoreinheit ist es wichtig, die am besten geeigneten Sensoren auszuwählen. Obwohl auf dem Markt viele kostengünstige Sensoren im Umlauf sind, sind nicht alle genau und effizient, wenn es um die langfristige Umweltüberwachung geht. Zur PM-Überwachung verwendet die CoSense-Einheit einen Sensirion SPS30 PM-Sensor. Der Sensor wurde aufgrund seiner hohen Präzision, Genauigkeit und geringen Abweichung im Vergleich zu anderen verfügbaren PM-Sensoren wie Plantower PMS5003 und SM-UART-04L PM-Sensor49,50 ausgewählt. Der SPS30 ist in der Lage, PM1, PM2,5, PM4 und PM10 mithilfe des lichtbasierten Streuprinzips zu überwachen. Die aktuelle Version der CoSense-Einheit ist für die Überwachung von PM1, PM2,5 und PM10 programmiert. Zusätzlich zum SPS30-Sensor gibt es ein Sensorarray namens Enviro Plus, das über Sensoren wie BME280 (Temperatur, Luftfeuchtigkeit, Druck), den analogen Gassensor MICS6814 (NO2, NH3 und CO), den Licht- und Näherungssensor LTR-559 und ein MEMS verfügt Mikrofon (Rauschen) wird ebenfalls zur CoSense-Einheit hinzugefügt. Es enthält außerdem den Analog-Digital-Wandler ADS1015 zur Konvertierung der Daten vom analogen Gassensor und ein Farb-LCD. Die vom analogen Gassensor erzeugten Daten werden in kOhm angegeben, was nicht die Standardeinheit für die Überwachung der Gaskonzentration ist. Das Sensorprogramm rechnet ihn in Teile pro Million (ppm) um, um einen Richtwert zu erhalten. Aufgrund zahlreicher Konvertierungsprozesse ist eine genaue Validierung mit einem behördlichen oder branchenüblichen Monitor schwierig. Dennoch können die Werte des Gassensors als Richtwerte verwendet werden, um zu verstehen, wie sich die Konzentration in einer bestimmten Umgebung verändert, wie viele Studien belegen51,52.

Eine vollständige Explosionsansicht der CoSense-Einheit mit Anmerkungen.

Enviro Plus ist aufgrund seiner geringen Größe, der nahtlosen Sensorintegration und der Kompatibilität mit Einplatinencomputern wie dem Raspberry Pi besonders effizient. Die CoSense-Einheit verwendet einen Raspberry Pi Zero, um über die GPIO-Ports (General-Purpose Input Output) mit den Sensoren zu kommunizieren. Da der Raspberry Pi über mehrere GPIO-Ports verfügt, bietet er die Flexibilität, je nach den Anforderungen eines Benutzers weitere Sensoren hinzuzufügen. Abbildung 4 zeigt die Detailansicht der CoSense-Einheit mit Komponenten und Anmerkungen. Alle Komponenten sind in einem 3D-gedruckten Gehäuse untergebracht. Die CoSense-Einheit wird über ein USB-Kabel mit Strom versorgt und stellt eine 5-V-Versorgung bereit. Der Benutzer hat die Wahl, einen Adapter oder eine Powerbank für die Stromversorgung des Raspberry Pi zu verwenden. Dadurch kann das Gerät flexibel zur mobilen oder stationären Umweltüberwachung eingesetzt werden.

Flussdiagramm der CoSense Unit-Software.

Die CoSense-Einheit verwendet einen Raspberry Pi Zero zur Kommunikation mit Sensoren und übernimmt Aufgaben im Zusammenhang mit der Netzwerkerstellung, Datenübertragung und Speicherung auf einer SD-Karte. Abbildung 5 zeigt das Flussdiagramm des CoSense Unit-Quellcodes. Der Quellcode der CoSense Unit ist in der Programmiersprache Python53 geschrieben und verwendet Standard-Sensorbibliotheken für die Kommunikation mit den Sensoren. Wie in Abb. 5 dargestellt, wechselt der Raspberry Pi nach dem Einschalten in den Setup-Modus. Das Wi-Fi-Modul des Raspberry Pi wechselt in den Access Point (AP)-Modus und ermöglicht dem Benutzer die Verbindung mit dem Wi-Fi-Netzwerk des Geräts. Sobald diese Verbindung erfolgreich ist, werden die Benutzer zu einer Weboberfläche weitergeleitet, über die sie eine Verbindung zu einem sicheren Wi-Fi-Netzwerk herstellen können. Das Gerät speichert automatisch die WLAN-Anmeldeinformationen, die es dem Gerät im Falle eines Neustarts ermöglichen, eine Verbindung zum gespeicherten WLAN-Netzwerk herzustellen. Falls kein WLAN-Netzwerk verfügbar ist, wechselt das Gerät in den Offline-Modus. In beiden Fällen werden die Sensoren nach dem Verbindungstest in den aktiven Modus versetzt. Die Sensoren bleiben 30 Sekunden lang wach und führen die Messung durch. Die gemessenen Daten werden im CSV-Format auf der SD-Karte des Raspberry Pi gespeichert. Wenn sich das Gerät im Online-Modus befindet, wird eine HTTP-Verbindung hergestellt und die gemessenen Daten werden mithilfe der GET-Anfrage an den ThingSpeak-Server gesendet. Sobald die Bestätigung vom Server empfangen wird, wird die Verbindung geschlossen. Um die Datenübertragung abzusichern, werden von ThingSpeak private Schlüssel generiert, bevor ein Datenstrom erstellt werden kann. Der LCD-Bildschirm zeigt die Datenwerte der Sensoren an. Die Verfügbarkeit von Online- und Offline-Modi ermöglicht eine kontinuierliche Datenerfassung. Dies ist auch nützlich, wenn die Umgebungsüberwachung an einem entfernten Standort ohne Internetverbindung durchgeführt werden muss. Die aktuelle Version des Prototyps misst alle 5 Minuten Daten und wechselt nach der Messung in den Schlafmodus. Die Benutzer können die Abtastfrequenz je nach Bedarf ändern.

In diesem Abschnitt wird das Kriterium beschrieben, das zur Validierung und Bewertung der Leistung der CoSense-Einheit verwendet wurde, wobei der Schwerpunkt insbesondere auf der PM2,5-Konzentration liegt. Den Ergebnissen folgt eine Diskussion, um zu verstehen, wie der Prototyp unter realen Bedingungen funktioniert. In diesem Abschnitt wird auch das Design und die Entwicklung der Datenanalyse- und Visualisierungsanwendung untersucht und wie sich der vorgeschlagene Aufbau im Vergleich zu bestehenden Umweltüberwachungsinfrastrukturen schlägt.

Die Sensorvalidierung ist ein wichtiger Schritt bei der Entwicklung der Umweltüberwachungsinfrastruktur. Es gibt verschiedene Möglichkeiten, die Qualitätssicherung und -kontrolle einer Sensoreinheit durchzuführen. Diese Studie folgte einem Standardansatz zur Validierung des Sensors, indem die Variabilität zwischen den Sensoren untersucht und die Sensorausgabe mit der offiziellen Luftqualitätsüberwachungsstation verglichen wurde54,55,56.

(a) Der rote Punkt auf der Karte zeigt den Feldteststandort, (b) Co-Location-Einrichtung an der NABEL-Überwachungsstation, (c) Liniendiagramm der PM2,5-Daten, die von zwei CoSense-Einheiten erhalten wurden, die mit dem Referenzmonitor an der NABEL-Station aufgestellt sind, und (d) CDF der Differenz zwischen den vom Referenzmonitor und zwei Sensoren (S1 und S2) aufgezeichneten PM2,5-Werten.

Gemeinsamer Standort im Feld Im Sommer 2021 wurden zwei CoSense-Einheiten im Feld in Zürich, Schweiz, getestet. Um die Genauigkeit der Sensoren zu analysieren und die Leistung zu bewerten, wurden zwei Einheiten an einem der Standorte des Nationalen Netzwerks zur Überwachung der Luftverschmutzung (NABEL) aufgestellt. NABEL überwacht die Luftqualität an 16 Standorten in der Schweiz. Für diese Studie wurden die Sensoreinheiten an der NABEL-Station in Dübendorf untergebracht. Abbildung 6a zeigt den Standort des Teststandorts. Abbildung 6b zeigt den tatsächlichen Aufbau von CoSense-Einheiten für die Colocation an der NABEL-Referenzüberwachungsstation. Der Bahnhof liegt in vorstädtischer Lage. Das Gebiet ist dicht besiedelt und verfügt über ein Netz stark befahrener Straßen und Eisenbahnlinien. Der Feldtest wurde zwischen dem 4. Juni 2021 und dem 8. Juni 2021 durchgeführt. Der PM2,5-Gehalt wurde alle fünf Minuten gemessen und eine Stunde lang gemittelt, um die Konsistenz mit den vom Referenzmonitor erhaltenen PM2,5-Daten aufrechtzuerhalten. Insgesamt wurden die Daten über 100 Stunden verglichen. Abbildung 6c zeigt ein Liniendiagramm, das die von zwei CoSense-Einheiten (gekennzeichnet durch Sensor 1 und Sensor 2) und dem Referenzmonitor erhaltenen Daten vergleicht. Es ist zu beobachten, dass die CoSense-Einheiten mit den vom Referenzmonitor aufgezeichneten Schwankungen übereinstimmen können. Dies unterstreicht, dass die CoSense-Einheit plötzliche Schwankungen der PM2,5-Konzentration in einer realen Umgebung erfolgreich erfassen kann. Der durchschnittliche Fehler zwischen dem vom Referenzmonitor aufgezeichneten PM2,5 und Sensor 1 betrug 1 \(\mu \mathrm{g}/\mathrm{m}^3\). Im Fall von Sensor 2 betrug er 1,2 \(\mu \mathrm{g}/\mathrm{m}^3\).

Der Fehlerwert ist sehr niedrig und zeigt eine hohe Genauigkeit und Zuverlässigkeit der von den CoSense-Einheiten erfassten Daten. Abbildung 6d zeigt die empirische kumulative Verteilungsfunktion (CDF) zum Verständnis des PM2,5-Messversatzes zwischen dem Referenzmonitor und den beiden Sensoren. Es ist zu beobachten, dass mehr als 85 % der Beobachtungen einen Offset von unter 5 \(\mu \mathrm{g}/\mathrm{m}^3\) aufweisen. Eine statistische Zusammenfassung der am selben Ort gespeicherten Daten ist in Tabelle 1 dargestellt. Die statistischen Parameter zeigen eine starke Ähnlichkeit zwischen den vom Referenzmonitor und zwei CoSense-Einheiten erhaltenen Daten.

Liniendiagramm der PM2,5-Daten, die von zwei zusammengebauten CoSense-Einheiten erhalten wurden.

Variabilität zwischen Einheiten Die Variabilität zwischen Einheiten ist eine wichtige Methode zur Messung der Ähnlichkeit von Daten, die von denselben Sensoreinheiten erzeugt werden. Es handelt sich um eine nützliche Metrik, die häufig zur Messung der Datenreproduzierbarkeit von Sensoreinheiten verwendet wird40,54. Für diese Studie wurden zwei CoSense-Einheiten zusammengelegt und die PM2,5-Daten analysiert, um die Ähnlichkeit der von den beiden Einheiten gemeldeten Daten zu verstehen. Die Studie wurde zwischen dem 3. August 2021 und dem 31. August 2021 durchgeführt. Abbildung 7 zeigt das Liniendiagramm basierend auf den von zwei Einheiten erhaltenen Daten. Die Daten beider Einheiten zeigen bis auf einige Ausreißer einen ähnlichen Trend. Die Daten wurden alle 5 Minuten abgetastet. Zur Analyse wurden die Daten zu stündlichen Daten aggregiert. Zwei Einheiten wurden insgesamt 681 Stunden lang verglichen. Wie in Tabelle 2 zu sehen ist, zeigten die Daten der beiden Einheiten eine hohe Ähnlichkeit. Der Vergleich zeigte Ähnlichkeiten im beobachteten Mittelwert und Standardfehler. Über den gesamten Bereich der stündlich gemittelten PM2,5-Daten wurde eine starke Linearität beobachtet.

Sensor-Nachhaltigkeitsanalyse Wie bereits in der Einleitung erläutert, ist die Umweltverträglichkeit von IoT-Geräten auch eine entscheidende Komponente bei der Erörterung der Ressourceneffizienz. Die meisten sensorbezogenen Studien untersuchen in der Regel den Stromverbrauch der Sensoren, um die Umweltverträglichkeit kostengünstiger Sensortechnologie zu untersuchen. Diese Arbeit betrachtet die ökologische Nachhaltigkeit aus einer anderen Perspektive, indem sie den Energieverbrauch des IoT-Geräts untersucht und den CO2-Fußabdruck des Sensorcodes versteht. Nach unserem besten Wissen gibt es in der Literatur zur Luftqualitätsüberwachung keine Arbeit, die sich mit diesem Aspekt von Sensoren befasst. Dies kann möglicherweise dazu beitragen, die Sensorcode-Optimierung sowie den ressourcenbewussten IoT-Einsatz zu fördern. Für diese Studie lag der Fokus auf zwei Parametern: Emissionen (Emissionen als \(\mathrm{CO}_2\)-Äquivalente, kg \(\mathrm{CO}_2\), die pro Kilowattstunde Strom emittiert werden) und Energie Verbraucht (verbrauchte Energie in Kilowattstunden). Eine CoSense-Einheit mit einer Probenahmefrequenz von 1 Stunde würde bei regelmäßiger Probenahme einen Monat lang etwa 0,029 kg \(\mathrm{CO}_2\) ausstoßen. Ebenso würde der Energieverbrauch für die einmonatige Nutzung der CoSense-Einheit etwa 0,072 Kilowattstunden betragen. Um diese Werte in einen Zusammenhang zu bringen: Wenn man eine halbe Stunde lang Netflix schaut, entstehen 0,4 kg \(\mathrm{CO}_2\)57, und der 12-stündige Betrieb eines Luftreinigers würde 0,60 Kilowattstunden verbrauchen58. Diese Werte können uns eine Vorstellung davon geben, wie richtig konzipierte und optimierte Sensoren möglicherweise langfristig und nachhaltig zur Überwachung der Umwelt eingesetzt werden können.

Ein wesentlicher Bestandteil jeder IoT-Infrastruktur ist eine intuitive und effiziente Datenanalyse- und Visualisierungsplattform. IoT-Geräte produzieren riesige Datenmengen und um diese sinnvoll zu nutzen, ist es wichtig, über benutzerfreundliche Plattformen zu verfügen, die sowohl von Experten als auch von Nicht-Experten problemlos genutzt werden können. Das Soc-IoT-Framework bietet zwei Optionen zur Visualisierung und Analyse von Sensordaten. Die erste Option nutzt die integrierte Datenanalyse- und Visualisierungsfunktion der ThingSpeak-Plattform. Es ermöglicht den Benutzern, Daten in Echtzeit zu visualisieren, interaktive Diagramme zu erstellen, Warnungen festzulegen und die Daten mithilfe von MATLAB-Funktionen statistisch zu analysieren. Darüber hinaus wird eine weitere nicht sensorspezifische Sensordatenanalyse- und Visualisierungsanwendung namens exploreR vorgeschlagen.

Screenshot, der einige der Funktionen der exploreR-GUI zeigt: (a) Landingpage, (b) Boxplot-Funktionsfenster und (c) Datenvorhersage-Funktionsfenster.

Schematische Darstellung der exploreR-Pipeline.

exploreR ist eine Open-Source-Onlineanwendung, die mit dem Shiny-Paket in der Programmiersprache R entwickelt wurde. Das RShiny-Paket wurde in den letzten Jahren häufig verwendet, um interaktive Anwendungen für die Datenanalyse und Visualisierungen zu erstellen59,60,61. Solche Anwendungen dienten als Motivation für die Entwicklung von exploreR, das darauf abzielt, die technischen Hürden, insbesondere im Zusammenhang mit der Codierung, bei der Analyse und Visualisierung von von Bürgern generierten Daten abzubauen. In den nächsten Absätzen werden das Design und die Architektur der exploreR-Anwendung erläutert.

Design und Architektur exploreR ist als intuitive und benutzerfreundliche Sensordatenanalyse und -visualisierung konzipiert. Die grafische Benutzeroberfläche (GUI) der Anwendung ist so konzipiert, dass sie den Benutzer durch den Analyseprozess führt. Abbildung 8 zeigt einen Schnappschuss der GUI der exploreR-Anwendung. Die linke Spalte der GUI (Abb. 8a) enthält die Hauptfunktionen, die erweitert werden, sobald der Benutzer sich entscheidet, sie für die Datenanalyse zu verwenden. Abbildung 8b und c zeigen verschiedene Funktionen, die von der exploreR-Anwendung unterstützt werden. Das Anwendungsframework ist so konzipiert, dass es einer Reihe von Schritten folgt, die den gesamten Zyklus der Dateneingabe, Vorverarbeitung, Visualisierung und Analyse abdecken. Abbildung 9 zeigt die schematische Darstellung der exploreR-Pipeline.

Bei der Entwicklung von exploreR bestand eines der Ziele darin, eine Anwendung zu schaffen, die die Benutzerfreundlichkeit für Menschen mit unterschiedlichem Hintergrund erleichtert. Verschiedene integrierte Workflows innerhalb der Anwendung ermöglichen dem Benutzer eine sinnvolle Interpretation der Daten, ohne dass eine Codierung erforderlich ist. Hier ist eine Zusammenfassung der von der aktuellen Version der Anwendung unterstützten Funktionen:

Datenverarbeitung: Die Anwendung akzeptiert die Daten im CSV-Format und ermöglicht den Benutzern das Filtern von Zeilen/Spalten sowie das Anzeigen einer Datenzusammenfassung und das Zeichnen der Rohdaten. Die Diagramme werden mit Plotly erstellt, einer interaktiven Grafikbibliothek. Die generierten Diagramme können mithilfe der integrierten Funktionen wie Vergrößern/Verkleinern, Neuskalierung usw. einfach analysiert werden. Die Benutzer können die generierten Diagramme im PNG-Format speichern.

Ausreißererkennung: Die Benutzer können ausgefeilte statistische und maschinelle Lernmethoden wie k-Nearest Neighbour, ARIMA und künstliche neuronale Netze (ANN) verwenden, um eine Anomalie- und Ausreißererkennung durchzuführen. Datenzuverlässigkeit ist ein wichtiges Thema, das in der Literatur zu kostengünstigen Sensoren ausführlich diskutiert wird55,62,63. Die Ausreißererkennungsfunktion ermöglicht es dem Benutzer, nach Anomalien zu suchen, sie darzustellen und später mit modernsten Methoden zu bereinigen.

Lückenfüllung: Mit dieser Funktion können Benutzer Lücken aufgrund fehlender Daten oder Lücken füllen, die nach dem Entfernen der Ausreißer in der vorherigen Phase entstanden sind. Die aktuelle Version der Anwendung unterstützt zwei Methoden: lineare Interpolation und Kalman-Filter. Diese Methoden wurden aufgrund ihrer weiten Verbreitung in der Sensorliteratur sowie ihrer Gesamtgenauigkeit64,65 verwendet.

Explorative Datenanalyse: Mit dieser Funktion können Benutzer verschiedene Funktionen im Datensatz implementieren, um die Daten detaillierter zu verstehen und die Stärken der Beziehung zwischen verschiedenen Variablen innerhalb des Datensatzes zu beobachten. Die Benutzer können die Korrelationsmatrixfunktion verwenden, um die Pearson-Korrelation zu berechnen. Solche Informationen können bei der Erstellung von Sensorkalibrierungsmodellen wertvoll sein66. Die Benutzer können auch Boxplots und Histogramme erstellen, um eine visuelle Analyse der Daten durchzuführen. Die Plots können als Dateien im PNG-Format heruntergeladen werden.

Datenprognose: exploreR verfügt außerdem über Funktionen, die für eine erweiterte Analyse und ein besseres Verständnis der Luftqualitätsdaten verwendet werden können. Die Anwendung ermöglicht es Benutzern, fortschrittliche Algorithmen für maschinelles Lernen zu verwenden, um Datenprognosen durchzuführen. Die PM2,5-Vorhersage stellt eine große Herausforderung dar, wie sie von Forschern in den Bereichen Atmosphärenwissenschaft, Umweltüberwachung und Informatik umfassend untersucht wurde. Mithilfe der Datenprognosefunktionen können Benutzer einfache bis komplexere Methoden verwenden, um zu analysieren, welche Methode eine gute Leistung erbringt. Die aktuelle Version unterstützt Methoden wie Linear Regression (LR), Random Forest (RF) Model, XGBoost und ANN. Der Grund für die Auswahl dieser Modelle ist ihre weit verbreitete Verwendung in der Zeitreihenprognoseforschung66,67. Mit mehreren Modellen können Benutzer die Modellleistung vergleichen und diese Erkenntnisse möglicherweise für die Erstellung von Echtzeit-Prognoseanwendungen nutzen. Die Prognoseergebnisse können in der Anwendung angezeigt und im CSV-Format heruntergeladen werden.

Datenaggregation: Verschiedene Luftqualitätssensoren sind so programmiert, dass sie Daten mit unterschiedlichen Frequenzen aufzeichnen. Manchmal sind die Daten möglicherweise zu granular oder überhaupt nicht granular. Dies kann zu einer unausgeglichenen Zeitreihe führen und sich negativ auf die Gesamtanalyse auswirken. Um dieser Herausforderung zu begegnen, ermöglicht exploreR den Benutzern, die Daten auf tägliche, wöchentliche, monatliche und jährliche Daten herunterzurechnen. Der Benutzer kann entweder die Summe oder den Mittelwert verwenden, um die Daten zu aggregieren. Die aggregierten Daten können im CSV-Format heruntergeladen werden.

exploreR ist ein wichtiger Bestandteil des Soc-IoT-Frameworks und zielt auf die einfache Analyse von Sensordaten ab und unterstützt Bürgerwissenschaftler, politische Entscheidungsträger und Forscher ohne Programmierhintergrund bei der Durchführung von Datenanalysen. Darüber hinaus ermöglicht exploreR den einfachen Export von Zahlen und Dateien, die für Berichtsdaten, Veröffentlichungen und Datenverbreitung verwendet werden können.

Um zu verstehen, wie diese Anwendung zum Bereich der Open-Source-Sensordatenanalyse beiträgt, wird exploreR mit ähnlichen Anwendungen und Softwares zur Analyse von Luftqualitätssensordaten verglichen61,68,69,70,71. Im Laufe der Jahre wurden verschiedene Anwendungen und Software vorgeschlagen, von denen jede einige Stärken und Schwächen aufweist. Die meisten Anwendungen sind normalerweise auf die Daten eines bestimmten Sensors ausgelegt. Es funktioniert gut für Daten von bestimmten Sensoren, aber bei Daten von verschiedenen IoT-Geräten funktioniert es möglicherweise nicht gut. Dies ist vor allem auf unterschiedliche Datenformate sowie die Organisation der Daten zurückzuführen. Ebenso können technisch versierte Benutzer mit programmierintensiven Tools die Daten leicht analysieren, es wird jedoch schwierig, wenn der Benutzer keine Kenntnisse in Programmiersprachen hat. Unter Berücksichtigung dieser Punkte ist exploreR als nicht sensorspezifische Anwendung konzipiert, für die keine Vorkenntnisse in der Programmierung erforderlich sind. Dies ermöglicht den Benutzern die einfache Analyse von Daten verschiedener Sensoren, ohne sich über technische Komplexität Gedanken machen zu müssen. Gleichzeitig ermöglicht der Open-Source-Charakter der Anwendung den Benutzern mit Programmierkenntnissen, das bestehende Framework zu verbessern, indem sie ihre Fähigkeiten einsetzen, um der Anwendung weitere Funktionen hinzuzufügen.

Tabelle 3 vergleicht exploreR mit anderen vorhandenen Open-Source-Tools und Software, die häufig zur Analyse von Luftqualitätsdaten verwendet werden, die mit kostengünstigen Sensoren gewonnen wurden. Die meisten vorhandenen Lösungen sind unter Berücksichtigung spezifischer Sensoren und Benutzergruppen konzipiert. Der Vergleich verdeutlicht, dass exploreR erfolgreich Funktionen kombiniert, die die Analyse von Daten verschiedener Sensoren ohne Programmieraufwand ermöglichen.

Soc-IoT verbessert den Zugang zu Umweltdaten und fördert das Engagement der Gemeinschaft, indem es die jüngsten Fortschritte und Entwicklungen kostengünstiger Umweltüberwachungssensoren sowie Open-Source-Datenanalysepakete nutzt. Es stellt eine neue Möglichkeit für Bürger und Forscher dar, die Umwelt mithilfe der CoSense-Einheit zu überwachen, die aus „handelsüblicher“ Hardware besteht. Die exploreR-Anwendung hingegen ermöglicht eine detaillierte und reproduzierbare Analyse von Sensordaten. Ein solches Open-Source-Tool kann möglicherweise die Lücke zwischen Experten und Nicht-Experten schließen und es Bürgerwissenschaftlern ermöglichen, bei der Analyse ihrer Daten Kontext hinzuzufügen, der bei der Auswertung von Daten durch Dritte oft fehlt. Soc-IoT wurde als bürgerorientierte Plattform konzipiert, auf der Benutzer von praktischen Erfahrungen bei der Verwendung von Sensoren zur Umgebungsüberwachung profitieren können. Der Open-Source-Charakter des Frameworks ermöglicht eine kontinuierliche Weiterentwicklung des Soc-IoT-Frameworks und fördert gleichzeitig eine breitere Beteiligung der Gemeinschaft an Umweltüberwachungsaufgaben. Die für die Validierung der CoSense-Einheit verwendete Methodik ist repräsentativ für weit verbreitete Qualitätssicherungs- und Qualitätskontrollmethoden für kostengünstige Sensoren. Trotz der Herausforderungen, die der Einsatz kostengünstiger Sensoren mit sich bringt, schnitt die CoSense-Einheit im Hinblick auf die Datenqualität im Vergleich zu Daten offizieller Luftqualitätsüberwachungsstationen gut ab. Im Hinblick auf die Nachhaltigkeit der Sensoren kann die CoSense-Einheit für einen ressourcenbewussten IoT-Einsatz genutzt werden, der nicht nur den Energieverbrauch des IoT-Geräts berücksichtigt, sondern auch sicherstellt, dass der Sensorcode so wenig Energie wie möglich verbraucht. Dies eröffnet auch die Möglichkeit, das amtliche Umweltüberwachungssystem durch ein kostengünstiges Umweltsensoriksystem zu ergänzen. Wie in einer aktuellen Studie72 hervorgehoben wurde, gehören die technologische Komplexität und die begrenzte Interaktion zwischen wichtigen Interessengruppen zu den Haupthindernissen für partizipative Bürgerwissenschaft. Der modulare und transparente Charakter des Soc-IoT-Frameworks ermöglicht den Einsatz für partizipative Citizen-Science-Aktivitäten, die das Engagement der Bürger fördern und es Gemeinden und Entscheidungsträgern ermöglichen könnten, bei wichtigen Umweltthemen zusammenzuarbeiten.

Dieses Papier nutzt das Wachstum des IoT und sein Zusammenspiel mit nachhaltigen Praktiken und Open-Source-Prinzipien und schlägt Soc-IoT vor, ein Proof-of-Concept-Framework für bürgerzentrierte Umweltüberwachung. Das Framework fördert eine genaue und effiziente Umweltüberwachung durch die Integration von Open-Source-Hardware und -Software. Die CoSense-Einheit besteht aus leicht verfügbaren, kostengünstigen Hardwarekomponenten, die von Forschern, Bürgern und der Herstellergemeinschaft zur Entwicklung ihrer eigenen Sensorgeräte verwendet werden können. Aufgrund des einfachen Zugangs und der geringen Kosten dieser Hardwarekomponenten kann die CoSense-Einheit auch an Standorten eingesetzt werden, an denen die Ressourcen und das Budget für die Umgebungsüberwachung begrenzt sind. Die Leistung und Genauigkeit der CoSense-Einheiten wird umfassend bewertet, indem sie an einer offiziellen Luftqualitätsüberwachungsstation untergebracht werden, die mit äquivalenten Referenzinstrumenten in Dübendorf, Schweiz, ausgestattet ist. Zusätzlich wurde eine Qualitätssicherung durch Untersuchung der Variabilität zwischen den Einheiten durchgeführt. Mit seinem modularen Design, der einfachen Montage und der intuitiven Datenanalyseschnittstelle kann das Soc-IoT-Framework bei der Bewertung der Luftverschmutzung sowie bei der umfassenden Analyse von Luftqualitätsdaten helfen. Die exploreR-Anwendung ist darauf ausgelegt, technische Hürden, insbesondere im Zusammenhang mit der Programmierung, abzubauen. Es bietet sowohl Experten als auch Nicht-Experten eine breite Palette an Datenanalyse- und Visualisierungsfunktionen, die die visuelle Inspektion von Daten, die Datenbereinigung und die detaillierte Datenanalyse unterstützen.

Der Kernteil des Rahmens konzentriert sich auf die Verbesserung eingebetteter räumlicher Intelligenz, bei der die Stärkung der Bürger auf intelligente Umgebungen und nachhaltiges Design trifft. Der vorgeschlagene Rahmen hat das Potenzial, die Zusammenarbeit zwischen einem breiten Spektrum von Interessengruppen zu fördern, darunter Wissenschaftler, politische Entscheidungsträger sowie Bürger und Entscheidungsträger. Dank ihrer Zuverlässigkeit und Genauigkeit kann die CoSense-Einheit möglicherweise offizielle Umweltüberwachungsnetzwerke ergänzen. Der erweiterbare und Open-Source-Charakter des Soc-IoT-Frameworks würde andere dazu ermutigen, es als Entwicklungsplattform zu nutzen, anstatt alles von Grund auf neu zu erfinden. Um die Schnittstelle zwischen Wissenschaft, Politik und Gesellschaft zu stärken, kann das Soc-IoT-Framework auch zur Erleichterung von Co-Creation- und Citizen Science-Aktivitäten genutzt werden. Neben der Unterstützung der Datendemokratisierung kann damit auch ein Umfeld geschaffen werden, in dem die Meinungen, Beobachtungen und das Fachwissen der Bürger geschätzt und genutzt werden, um den Dialog mit Entscheidungsträgern zu erleichtern.

Das in diesem Dokument vorgestellte Framework demonstriert die Machbarkeit des Einsatzes kostengünstiger Open-Source-IoT-Technologie in Umweltüberwachungsanwendungen. Daher kann die hier vorgestellte Arbeit für zukünftige Forschungen genutzt werden. Obwohl die ökologische Nachhaltigkeit von IoT-Geräten im Rahmen dieser Arbeit berücksichtigt wurde, gibt es andere Aspekte, die aus Zeitgründen nicht berücksichtigt werden konnten, wie beispielsweise die soziale und wirtschaftliche Nachhaltigkeit des IoT. Zukünftige Arbeiten werden sich mit der sozialen und wirtschaftlichen Tragfähigkeit der in diesem Papier diskutierten technologischen Lösungen befassen. Eine weitere zukünftige Forschungsrichtung wäre die Untersuchung datenbezogener Fragen wie Sicherheit und Datenschutz von Benutzerdaten sowie die Bewertung verschiedener Techniken zur Wahrung der Privatsphäre zum Schutz von Benutzerdaten. Um die Skalierbarkeit des Systems zu verbessern, werden sich zukünftige Forschungsarbeiten auch mit dynamischer Kalibrierung und Kantenanalyse befassen. Am Datenanalysetool werden weitere Verbesserungen vorgenommen, darunter eine Verbesserung der Benutzeroberfläche und die Hinzufügung weiterer Funktionen. Ein wichtiger Teil der künftigen Arbeiten würde die Durchführung von Feldexperimenten in Zusammenarbeit mit der Forschung und der Citizen-Science-Community umfassen, um die Verwendbarkeit des Geräts zur Förderung des Umweltbewusstseins zu analysieren.

Der Sensorcode, STL-Dateien für den 3D-Druck sowie der Code für die explorR-Anwendung sind kostenlos auf Github https://github.com/sachit27/Soc-IoT verfügbar. Auf die exploreR-Anwendung kann über diesen Link https://sachitmahajan.shinyapps.io/exploreR/ zugegriffen werden.

Liang, W. & Yang, M. Urbanisierung, Wirtschaftswachstum und Umweltverschmutzung: Beweise aus China. Aufrechterhalten. Berech.: Informieren. Syst. 21, 1–9 (2019).

Google Scholar

Jacyna, M., Wasiak, M., Lewczuk, K. & Karoń, G. Lärm und Umweltverschmutzung durch Verkehr: Entscheidende Probleme bei der Entwicklung ökologisch effizienter Verkehrssysteme. J. Vibroeng. 19, 5639–5655 (2017).

Artikel Google Scholar

Zachos, E. Zu viel Licht in der Nacht führt dazu, dass der Frühling früher kommt (2016).

Perera, F. Die Umweltverschmutzung durch die Verbrennung fossiler Brennstoffe ist die größte Umweltbedrohung für die globale pädiatrische Gesundheit und Gerechtigkeit: Es gibt Lösungen. Int. J. Umgebung. Res. Öffentliche Gesundheit 15, 16 (2018).

Artikel CAS Google Scholar

WER. Luftqualität und Gesundheit im Freien. Technik. Rep. (2014).

Hamanaka, RB & Mutlu, GM Feinstaub-Luftverschmutzung: Auswirkungen auf das Herz-Kreislauf-System. Vorderseite. Endokrinol. 9, 680 (2018).

Artikel Google Scholar

Riojas-Rodríguez, H., da Silva, AS, Texcalac-Sangrador, JL & Moreno-Banda, GL Luftverschmutzungsmanagement und -kontrolle in Lateinamerika und der Karibik: Auswirkungen auf den Klimawandel. Rev. Panam. Salud Publica 40, 150–159 (2016).

PubMed Google Scholar

Wu, S.-C., Wu, D.-Y., Ching, F.-H. & Chen, L.-J. Partizipatives Schallmessgerät-Kalibrierungssystem für mobile Geräte. In Proceedings of the 18th Conference on Embedded Networked Sensor Systems, 709–710 (2020).

Batty, M. et al. Smarte Städte der Zukunft. EUR. Physik. J. Spec. Spitze. 214, 481–518 (2012).

Artikel Google Scholar

Cappa, F., Franco, S. & Rosso, F. Bürger und Städte: Nutzung von Citizen Science und Big Data für eine nachhaltige Stadtentwicklung. Bus. Strateg. Umgebung. 31, 648–667 (2022).

Artikel Google Scholar

Bakry, SH, Al-Saud, BA, Alfassam, AN & Alshehri, KA Ein Rahmen wesentlicher Anforderungen für die Entwicklung intelligenter Städte: die Stadt Riad als Beispiel. In Smart Cities: Issues and Challenges, 219–239 (Elsevier, 2019).

Kumar, P. et al. Der Aufstieg kostengünstiger Sensoren zur Bewältigung der Luftverschmutzung in Städten. Umgebung. Int. 75, 199–205 (2015).

Artikel PubMed Google Scholar

DiBona, C. & Ockman, S. Open Source: Stimmen aus der Open-Source-Revolution („O'Reilly Media, Inc.“, 1999).

Lichten, C., Ioppolo, R., D'Angelo, C., Simmons, RK & Jones, MM Citizen Science: Crowdsourcing für die Forschung (THIS, Institut, 2018).

Google Scholar

Chen, L.-J. et al. Ein offener Rahmen für die partizipative PM2.5-Überwachung in Smart Cities. IEEE Access 5, 14441–14454 (2017).

Artikel Google Scholar

Castell, N. et al. Können kommerzielle, kostengünstige Sensorplattformen zur Überwachung der Luftqualität und zur Schätzung der Exposition beitragen? Umgebung. Int. 99, 293–302 (2017).

Artikel CAS PubMed Google Scholar

Mahajan, S. et al. Ein bürgerwissenschaftlicher Ansatz zur Verbesserung des öffentlichen Verständnisses der Luftverschmutzung. Aufrechterhalten. Städte Soc. 52, 101800 (2020).

Artikel Google Scholar

OpenAQ. Bekämpfung der Luftungleichheit durch offene Daten und Gemeinschaft (2021).

Mahajan, S., Luo, C.-H., Wu, D.-Y. & Chen, L.-J. Von „Do-it-yourself“ (diy) zu „do-it-together“ (dit): Überlegungen zur Gestaltung eines bürgergesteuerten Luftqualitätsüberwachungsrahmens in Taiwan. Aufrechterhalten. Städte Soc. 66, 102628 (2021).

Artikel Google Scholar

Pritchard, H. & Gabrys, J. Von der Bürgerwahrnehmung zur kollektiven Überwachung: Durcharbeitung der perzeptiven und affektiven Probleme der Umweltverschmutzung. GeoHumanities 2, 354–371 (2016).

Artikel Google Scholar

Commodore, A., Wilson, S., Muhammad, O., Svendsen, E. & Pearce, J. Community-basierte partizipative Forschung zur Untersuchung der Luftverschmutzung: eine Überprüfung der Motivationen, Ansätze und Ergebnisse. Umgebung. Überwachen. Bewerten. 189, 1–30 (2017).

Artikel Google Scholar

Mahajan, S., Wu, W.-L., Tsai, T.-C. & Chen, L.-J. Design und Implementierung eines IoT-fähigen persönlichen Luftqualitätsassistenten im Instant Messenger. In Proceedings of the 10th International Conference on Management of Digital EcoSystems, 165–170 (2018).

Toma, C., Alexandru, A., Popa, M. & Zamfiroiu, A. IoT-Lösung für die Überwachung der Umweltverschmutzung in intelligenten Städten und die Sicherheitsherausforderungen. Sensoren 19, 3401 (2019).

Artikel ADS PubMed Central Google Scholar

Pigliautile, I., Marseglia, G. & Pisello, AL Untersuchung der CO2-Variation und Kartierung durch tragbare Sensortechniken zur Messung der Fußgängerbelastung in städtischen Gebieten. Nachhaltigkeit 12, 3936 (2020).

Artikel Google Scholar

Pigliautile, I. & Pisello, AL Ein neues tragbares Überwachungssystem zur Untersuchung der Umgebungsbedingungen von Fußgängern: Entwicklung des experimentellen Tools und Startergebnisse. Wissenschaft. Gesamtumgebung. 630, 690–706 (2018).

Artikel ADS CAS PubMed Google Scholar

Pigliautile, I. & Pisello, A. Clusteranalyse von Umweltdaten mithilfe tragbarer Sensortechniken: Neuer Bottom-up-Prozess zur Identifizierung innerstädtischer Granulatmorphologien anhand von Fußgängertransekten. Bauen. Umgebung. 171, 106641 (2020).

Artikel Google Scholar

Chen, L.-J. et al. Adf: Ein Anomalieerkennungs-Framework für groß angelegte PM2,5-Sensorsysteme. IEEE Internet Things J. 5, 559–570 (2017).

Artikel Google Scholar

Camprodon, G. et al. Smart Citizen Kit und Station: Ein offenes Umweltüberwachungssystem für Bürgerbeteiligung und wissenschaftliche Experimente. HardwareX 6, e00070 (2019).

Artikel Google Scholar

Luo, C.-H., Yang, H., Huang, L.-P., Mahajan, S. & Chen, L.-J. Eine schnelle PM2. 5-Prognoseansatz basierend auf Zeitreihendatenanalyse, Regression und Regularisierung. Im Jahr 2018 Conference on Technologies and Applications of Artificial Intelligence (TAAI), 78–81 (IEEE, 2018).

Ma, J. et al. Ein lag-flstm-Deep-Learning-Netzwerk basierend auf Bayes'scher Optimierung für die PM2.5-Vorhersage mit mehreren sequentiellen Varianten. Aufrechterhalten. Städte Soc. 60, 102237 (2020).

Artikel Google Scholar

Cordova, CH et al. Luftqualitätsbewertung und Verschmutzungsvorhersage mithilfe künstlicher neuronaler Netze im Großraum Lima-Peru. Wissenschaft. Rep. 11, 1–19 (2021).

Artikel CAS Google Scholar

Kirimtat, A., Krejcar, O., Kertesz, A. & Tasgetiren, MF Zukünftige Trends und aktueller Stand von Smart-City-Konzepten: Eine Umfrage. IEEE Access 8, 86448–86467 (2020).

Artikel Google Scholar

Van Oudheusden, M. & Abe, Y. Jenseits der Basis: Zwei Wege der „Bürgerwissenschaft“ in der Umweltpolitik. (2021).

Mahajan, S., Hausladen, CI, Sánchez-Vaquerizo, JA, Korecki, M. & Helbing, D. Partizipative Resilienz: Gemeinsam überleben, sich erholen und verbessern. Nachhaltige Städte und Gesellschaft 103942 (2022).

Wissenschaftsnetz. Web of Science-Datenbank (2022).

Aria, M. & Cuccurullo, C. bibliometrix: Ein R-Tool für eine umfassende wissenschaftliche Mapping-Analyse. J. Informet. 11, 959–975 (2017).

Artikel Google Scholar

Lu, H., Halappanavar, M. & Kalyanaraman, A. Parallele Heuristiken für skalierbare Community-Erkennung. Paralleles Rechnen. 47, 19–37 (2015).

Artikel MathSciNet Google Scholar

Spinelle, L., Gerboles, M., Villani, MG, Aleixandre, M. & Bonavitacola, F. Kalibrierung eines Clusters kostengünstiger Sensoren zur Messung der Luftverschmutzung in der Umgebungsluft. In SENSORS, 2014 IEEE, 21–24 (IEEE, 2014).

Balestrini, M., Kotsev, A., Ponti, M. & Schade, S. Zusammenarbeit ist wichtig: Kapazitätsaufbau, Erweiterung, Verbreitung und Nachhaltigkeit in bürgergenerierten Datenprojekten. Menschlich. Soc. Wissenschaft. Komm. 8, 1–15 (2021).

Google Scholar

Mahajan, S., Gabrys, J. & Armitage, J. Airkit: Ein Toolkit zur Bürgererkennung zur Überwachung der Luftqualität. Sensoren 21, 4044 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Teh, HY, Kempa-Liehr, AW, Kevin, I. & Wang, K. Sensordatenqualität: Eine systematische Überprüfung. J. Big Data 7, 1–49 (2020).

Artikel Google Scholar

Grundy, J. Menschenzentriertes Software-Engineering für Cloud- und Edge-basierte Smart-Living-Anwendungen der nächsten Generation. Im Jahr 2020 20. IEEE/ACM International Symposium on Cluster, Cloud and Internet Computing (CCGRID), 1–10 (IEEE, 2020).

Helbing, D. et al. Ethik intelligenter Städte: Auf dem Weg zu wertsensiblem Design und einem sich gemeinsam entwickelnden Stadtleben. Nachhaltigkeit 13, 11162 (2021).

Artikel Google Scholar

Fiore, E. Technologieethik und Designethik in soziotechnischen Systemen: Untersuchung der Rolle des Designers. FormAkademisk-forskningstidsskrift for design og designdidaktikk13 (2020).

Mao, F., Khamis, K., Krause, S., Clark, J. & Hannah, DM Kostengünstige Umweltsensornetzwerke: Aktuelle Fortschritte und zukünftige Richtungen. Vorderseite. Erdwissenschaft. 7, 221 (2019).

Artikel ADS Google Scholar

Mahajan, S. sachit27/soc-iot. https://doi.org/10.5281/zenodo.6497879 (2022).

Mois, G., Folea, S. & Sanislav, T. Analyse von drei IoT-basierten drahtlosen Sensoren für die Umweltüberwachung. IEEE Trans. Instrument. Mess. 66, 2056–2064 (2017).

Artikel Google Scholar

Kim, S. & Paulos, E. Inair: Austausch von Messungen und Visualisierungen der Raumluftqualität. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 1861–1870 (2010).

Sousan, S., Regmi, S. & Park, YM Laborbewertung kostengünstiger optischer Partikelzähler für Umwelt- und Berufsexpositionen. Sensoren 21, 4146 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Tryner, J., Mehaffy, J., Miller-Lionberg, D. & Volckens, J. Auswirkungen des Aerosoltyps und der simulierten Alterung auf die Leistung kostengünstiger PM-Sensoren. J. Aerosol Sci. 150, 105654 (2020).

Artikel ADS CAS Google Scholar

Marques, G. & Pitarma, R. Eine kostengünstige Lösung zur Luftqualitätsüberwachung für verbesserte Wohnumgebungen durch das Internet der Dinge. Elektronik 8, 170 (2019).

Artikel CAS Google Scholar

Dang, CT, Seiderer, A. & André, E. Theodor: Ein Schritt in Richtung Smart-Home-Anwendungen mit elektronischen Nasen. In Proceedings of the 5th international Workshop on Sensor-based Activity Recognition and Interaction, 1–7 (2018).

Sanner, MF et al. Python: Eine Programmiersprache für Softwareintegration und -entwicklung. J. Mol. Graph. Modell. 17, 57–61 (1999).

CAS PubMed Google Scholar

Tagle, M. et al. Feldeinsatz eines kostengünstigen Sensors zur Feinstaubüberwachung in Santiago, Chile. Umgebung. Überwachen. Bewerten. 192, 1–18 (2020).

Artikel CAS Google Scholar

Fishbain, B. et al. Ein Toolkit zur Bewertung von Luftqualitäts-Mikrosensoren. Wissenschaft. Gesamtumgebung. 575, 639–648 (2017).

Artikel ADS CAS PubMed Google Scholar

Bulot, FM et al. Langzeit-Feldvergleich mehrerer kostengünstiger Feinstaubsensoren in einer städtischen Außenumgebung. Wissenschaft. Rep. 9, 1–13 (2019).

Artikel ADS CAS Google Scholar

IEA. Der CO2-Fußabdruck von Streaming-Videos: Faktencheck der Schlagzeilen (2020).

Kohlenstoff von Luftreinigern, R. Rechner für den Stromverbrauch von Luftreinigern in kWh und Kosten (\$) (2022).

Yu, Y., Ouyang, Y. & Yao, W. Shinycircos: Eine R/Shiny-Anwendung zur interaktiven Erstellung von Circos-Plots. Bioinformatik 34, 1229–1231 (2018).

Artikel CAS PubMed Google Scholar

Nisa, KK, Andrianto, HA & Mardhiyyah, R. Hotspot-Clustering mit Dbscan-Algorithmus und Shiny-Web-Framework. Im Jahr 2014 internationale Konferenz über fortgeschrittene Informatik und Informationssysteme, 129–132 (IEEE, 2014).

Mahajan, S. & Kumar, P. Erfassen Sie Ihre Daten: Sensor-Toolbox-Handbuch, Version 1.0 (2019).

Maag, B., Zhou, Z. & Thiele, L. Eine Umfrage zur Sensorkalibrierung bei Einsätzen zur Luftverschmutzungsüberwachung. IEEE Internet Things J. 5, 4857–4870 (2018).

Artikel Google Scholar

Cross, ES et al. Einsatz elektrochemischer Sensoren zur Messung der Luftverschmutzung: Korrektur von Störreaktionen und Validierung von Messungen. Atmosphäre. Maß. Techn. 10, 3575–3588 (2017).

Artikel ADS CAS Google Scholar

Dorich, CD et al. Richtlinien zur N2O-Kammermethodik der globalen Forschungsallianz: Richtlinien zum Füllen fehlender Messungen. J. Umgebung. Qual. 49, 1186–1202 (2020).

Artikel CAS PubMed Google Scholar

Alavi, N., Warland, JS & Berg, AA Lücken in Evapotranspirationsmessungen für Wasserhaushaltsstudien schließen: Bewertung eines Kalman-Filteransatzes. Landwirtschaft. Für. Meteorol. 141, 57–66 (2006).

Artikel ADS Google Scholar

Mahajan, S. & Kumar, P. Evaluierung kostengünstiger Sensoren zur quantitativen Überwachung der persönlichen Exposition. Aufrechterhalten. Städte Soc. 57, 102076 (2020).

Artikel Google Scholar

Pan, B. Anwendung des xgboost-Algorithmus bei der Vorhersage der stündlichen PM2,5-Konzentration. In der IOP-Konferenzreihe: Earth and Environmental Science, Bd. 113, 012127 (IOP Publishing, 2018).

Carslaw, DC & Ropkins, K. Openair – ein R-Paket für die Analyse von Luftqualitätsdaten. Umgebung. Modell. Softw. 27, 52–61 (2012).

Artikel Google Scholar

Feenstra, B., Collier-Oxandale, A., Papapostolou, V., Cocker, D. & Polidori, A. Das Airsensor-Open-Source-R-Paket und die Dataviewer-Webanwendung zur Interpretation von Community-Daten, die von kostengünstigen Sensornetzwerken gesammelt werden. Umgebung. Modell. Softw. 134, 104832 (2020).

Artikel Google Scholar

Mahajan, S. Vayu: Eine Open-Source-Toolbox zur Visualisierung und Analyse von Crowdsourcing-Sensordaten. Sensoren 21, 7726 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Callahan, J. et al. Pwfslsmoke: Dienstprogramme für die Arbeit mit Luftqualitätsüberwachungsdaten. R-Paket. Version 1, 111 (2019).

Google Scholar

Mahajan, S. et al. Von Bürgern erstellte Luftqualitätsdaten in Beweise für die Gestaltung der Politik umwandeln. Menschlich. Soc. Wissenschaft. Komm. 9, 1–18 (2022).

Google Scholar

Referenzen herunterladen

Der Autor dankt für die Unterstützung durch das Projekt „CoCi: Co-Evolving City Life“, das vom Europäischen Forschungsrat (ERC) im Rahmen des Forschungs- und Innovationsprogramms Horizon 2020 der Europäischen Union unter der Fördervereinbarung Nr. 833168 gefördert wurde. Der Autor möchte Wir danken Herrn Beat Schwarzenbach und Dr. Christoph Hüglin, die uns beim Testen der CoSense Units am NABEL-Standort an der Empa in Dübendorf unterstützt haben, sowie Herrn Manuel Knott für die Gestaltung des 3D-Modells für das Gehäuse der CoSense Unit. Der Autor dankt außerdem Christoph Laib, Thomas Maillart, Stefan Klauser und Octanis Instruments für ihre frühen Arbeiten im Zusammenhang mit Luftqualitätssensoren während der Climate City Cup-Initiative sowie Sensirion für die Spende der SPS30-Module. Besonderer Dank gilt dem CoCi-Projektteam für seinen Beitrag bei der Entwicklung der CoSense-Einheit.

Computational Social Science, ETH Zürich, 8092, Zürich, Schweiz

Sachit Mahajan

Sie können diesen Autor auch in PubMed Google Scholar suchen

SM konzipierte die Idee, erstellte einen Prototyp des Geräts, erstellte die R-Shiny-Anwendung, führte die Datenanalyse durch und schrieb das Manuskript.

Korrespondenz mit Sachit Mahajan.

Der Autor gibt keine Interessenkonflikte an.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Mahajan, S. Design und Entwicklung eines Open-Source-Frameworks für bürgerzentrierte Umweltüberwachung und Datenanalyse. Sci Rep 12, 14416 (2022). https://doi.org/10.1038/s41598-022-18700-z

Zitat herunterladen

Eingegangen: 06. April 2022

Angenommen: 17. August 2022

Veröffentlicht: 24. August 2022

DOI: https://doi.org/10.1038/s41598-022-18700-z

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.