banner
Lar / Notícias / Dados ambientais hiperlocais com plataforma móvel em ambientes urbanos
Notícias

Dados ambientais hiperlocais com plataforma móvel em ambientes urbanos

Dec 02, 2023Dec 02, 2023

Dados científicos volume 10, número do artigo: 524 (2023) Citar este artigo

37 Acessos

Detalhes das métricas

Dados ambientais com alta resolução espaço-temporal são vitais para informar ações destinadas a enfrentar os desafios da sustentabilidade urbana. No entanto, o acesso a fontes de dados ambientais hiperlocais é limitado devido à falta de infra-estruturas de monitorização, qualidade consistente de dados e disponibilidade de dados ao público. Este artigo relata dados ambientais (PM, NO2, temperatura e umidade relativa) coletados de 2020 a 2022 e calibrados em quatro implantações em três cidades globais. Cada campanha de recolha de dados teve como alvo um problema ambiental urbano específico relacionado com a qualidade do ar, como a diversidade das árvores, as disparidades de exposição das comunidades e o uso excessivo de combustíveis fósseis. Primeiramente, apresentamos o design da plataforma móvel e sua implantação em Boston (EUA), Nova York (EUA) e Beirute (Líbano). Em segundo lugar, apresentamos o processo de limpeza e validação de dados, para os dados de qualidade do ar. Por último, explicamos o formato dos dados e como os conjuntos de dados ambientais hiperlocais podem ser usados ​​de forma independente e com outros dados para auxiliar na tomada de decisões baseadas em evidências. Nossos conjuntos de dados de detecção ambiental móvel incluem cidades de escalas variadas, com o objetivo de abordar a escassez de dados em regiões em desenvolvimento e apoiar a elaboração de políticas ambientais baseadas em evidências.

Medidas)

Material particulado, poluentes gasosos

Tipo(s) de tecnologia

Plataforma de detecção ambiental de baixo custo (City Scanner)

Característica da Amostra - Meio Ambiente

Cidade

Característica da Amostra - Localização

Global

A rápida urbanização tem colocado novos desafios de sustentabilidade aos planeadores, engenheiros, cientistas e cidadãos numa era de alterações climáticas. Os dados ambientais hiperlocais são desejáveis ​​para que académicos e profissionais identifiquem pontos críticos de exposição, compreendam a distribuição espacial da poluição atmosférica urbana e apoiem a mitigação das alterações climáticas com base em evidências. No entanto, a aquisição de dados hiperlocais continua a ser um desafio tanto nas regiões desenvolvidas como nas regiões em desenvolvimento. Entre todos os dados ambientais urbanos, os dados sobre a poluição atmosférica são um dos mais difíceis de monitorizar devido à sua elevada variabilidade espacial e temporal. Nas cidades, as fontes de emissão de poluição atmosférica são diversas e a dispersão das emissões é altamente volátil1. Nos últimos anos, o monitoramento móvel tem desempenhado um papel cada vez mais importante na complementação dos métodos tradicionais de monitoramento, como o monitoramento estacionário e o sensoriamento remoto por satélite2,3,4. Ele fornece uma alternativa altamente escalável para operar em vários ambientes urbanos enquanto gera dados de alta resolução.

As técnicas móveis de medição da qualidade do ar estão documentadas em uma literatura em rápida expansão. Os mais notáveis ​​incluem uma série de estudos realizados em colaboração com carros do Google Street View em Houston, na área da baía de São Francisco, Amsterdã, Copenhague e Londres (https://www.google.com/earth/outreach/special-projects /qualidade do ar). Monitores aéreos de referência e de nível de pesquisa foram transportados pelas cidades, medindo repetidamente a maioria dos segmentos de ruas em períodos de meses a anos. Seus dados brutos foram parcialmente publicados por meio de um banco de dados on-line e API de terceiros (https://explore.openaq.org). Embora a cobertura espacial e temporal fosse extensa, as campanhas de monitoramento aéreo do Google se concentraram em áreas urbanas populosas com boa densidade de amostragem de imagens de visualização de rua. Instrumentos móveis de monitorização e laboratórios operados por académicos são outra importante fonte de dados sobre a qualidade do ar. No entanto, os resultados finais dessa implantação são frequentemente artigos e relatórios científicos, geralmente sem a publicação do conjunto de dados completo5,6,7,8. Embora alguns artigos tenham anexado arquivos de dados brutos, há menos consistência na qualidade dos dados de projeto para projeto, dada a diferença no escopo do estudo, instrumentação, pessoal, métodos de amostragem e validação de dados. Outro importante conjunto de dados sobre a qualidade do ar é fornecido pela adoção mais ampla de tecnologia de detecção de ar de baixo custo, ciência cidadã e campanhas de monitorização colaborativas9. Além disso, a falta de um canal unificado e de código aberto para indexar e recuperar dados de estudos individuais criou um obstáculo substancial para os não académicos acederem e continuarem a utilizar estes dados fora das publicações científicas.

90% or raining) are excluded, given that the low-cost particle counter we used is known to have skewed responses in this condition19,25. Lastly, we eliminate records with readings out of the reasonable ranges (<1 ug/m3 or >1000 ug/m3 for PM2.5, <200 mv or >900 mv for NO2 electro-signal). The reasonable ranges are determined by a priori knowledge of the ambient environment and the sensors themselves26,27. In total, about 15% of raw data are excluded in data cleaning./p>90% relative humidity. Secondly, the Boston and Beirut data sets were calibrated with research-grade sensors rather than reference-grade ones. The research-grade sensors used in Boston were calibrated at a reference station immediately before the mobile deployment. In Beirut, the research-grade sensors were the only available option for local calibration, given that no government-regulated reference stations existed. We do not consider this would lead to significant biases in the published datasets. Thirdly, our temperature and humidity data have not been calibrated against reference monitors as they are not the main focus of our deployments. In this case, their validity has not been adopted as a criterion for data cleaning, which aims to preserve the maximal number of valid observations for particulate matter and NO2. We highly advice the audience to only adopt them for educational or making sense purposes and to conduct a sanity check before any form of analysis. Lastly, given that CS is a low-cost environmental sensing platform, it is crucial to collocate and calibrate the platform before usage locally. This is especially important if a deployment is measuring PM, as the OPC counts particles in different-size bins and then estimates mass concentration with assumptions of the shape and density, which can vary significantly from place to place, from season to season./p>