Dati ambientali iperlocali con una piattaforma mobile in ambienti urbani

Dati scientifici, volume 10, numero articolo: 524 (2023) Citare questo articolo

77 Accessi

Dettagli sulle metriche

I dati ambientali con un’elevata risoluzione spazio-temporale sono fondamentali per orientare le azioni volte ad affrontare le sfide della sostenibilità urbana. Tuttavia, l’accesso alle fonti di dati ambientali iperlocali è limitato a causa della mancanza di infrastrutture di monitoraggio, di qualità coerente dei dati e di disponibilità dei dati al pubblico. Questo documento riporta i dati ambientali (PM, NO2, temperatura e umidità relativa) raccolti dal 2020 al 2022 e calibrati in quattro implementazioni in tre città globali. Ciascuna campagna di raccolta dati mirava a uno specifico problema ambientale urbano legato alla qualità dell’aria, come la diversità degli alberi, le disparità di esposizione della comunità e l’uso eccessivo di combustibili fossili. In primo luogo, presentiamo la progettazione della piattaforma mobile e la sua implementazione a Boston (Stati Uniti), New York (Stati Uniti) e Beirut (Libano). In secondo luogo, presentiamo il processo di pulizia e convalida dei dati, per i dati sulla qualità dell'aria. Infine, spieghiamo il formato dei dati e come i set di dati ambientali iperlocali possono essere utilizzati da soli e con altri dati per assistere il processo decisionale basato sull’evidenza. I nostri set di dati mobili di rilevamento ambientale includono città di varia scala, con l’obiettivo di affrontare la scarsità di dati nelle regioni in via di sviluppo e supportare l’elaborazione di politiche ambientali basate sull’evidenza.

Misurazione(i)

Particolato, inquinanti gassosi

Tipi di tecnologia

Piattaforma di rilevamento ambientale a basso costo (City Scanner)

Caratteristica del campione - Ambiente

Città

Caratteristica del campione: posizione

Globale

Nell’era del cambiamento climatico, la rapida urbanizzazione ha posto nuove sfide di sostenibilità a pianificatori, ingegneri, scienziati e cittadini. I dati ambientali iperlocali sono auspicabili per accademici e professionisti per identificare i punti caldi di esposizione, comprendere la distribuzione spaziale dell’inquinamento atmosferico urbano e supportare la mitigazione del cambiamento climatico basata sull’evidenza. Tuttavia, l’acquisizione di dati iperlocali rimane una sfida sia nelle regioni sviluppate che in quelle in via di sviluppo. Tra tutti i dati ambientali urbani, i dati sull’inquinamento atmosferico sono uno dei più difficili da monitorare a causa della loro elevata variabilità spaziale e temporale. Nelle città, le fonti di emissione dell’inquinamento atmosferico sono diverse e la dispersione delle emissioni è altamente volatile1. Negli ultimi anni, il monitoraggio mobile ha svolto un ruolo sempre più importante a complemento dei metodi di monitoraggio tradizionali, come il monitoraggio stazionario e il telerilevamento satellitare2,3,4. Fornisce un'alternativa altamente scalabile per operare in vari ambienti urbani generando dati ad alta risoluzione.

Le tecniche di misurazione mobile della qualità dell’aria sono documentate in una letteratura in rapida espansione. Quelli più importanti includono una serie di studi condotti in collaborazione con Google Street View cars a Houston, nella zona della Baia di San Francisco, Amsterdam, Copenaghen e Londra (https://www.google.com/earth/outreach/special-projects /qualità dell'aria). Monitor dell'aria di riferimento e di ricerca venivano portati in giro nelle città, misurando ripetutamente la maggior parte dei segmenti stradali in periodi che andavano da mesi ad anni. I loro dati grezzi sono stati parzialmente pubblicati tramite un database online e un'API di terze parti (https://explore.openaq.org). Sebbene la copertura spaziale e temporale fosse ampia, le campagne di monitoraggio dell'aria di Google si sono concentrate su aree urbane popolose con una buona densità di campionamento delle immagini di Street View. Gli strumenti di monitoraggio mobili e i laboratori gestiti da accademici sono un’altra importante fonte di dati sulla qualità dell’aria. Ciononostante, i risultati finali di tale implementazione sono spesso articoli e rapporti scientifici, generalmente senza pubblicare l’intero set di dati5,6,7,8. Anche se alcuni documenti hanno allegato file di dati grezzi, c’è meno coerenza nella qualità dei dati da progetto a progetto, data la differenza nell’ambito dello studio, nella strumentazione, nel personale, nei metodi di campionamento e nella convalida dei dati. Un altro importante pool di dati sulla qualità dell’aria è fornito dalla più ampia adozione di tecnologie di rilevamento dell’aria a basso costo, scienza dei cittadini e campagne di monitoraggio di crowdsourcing9. Inoltre, la mancanza di un canale unificato e open source per indicizzare e recuperare dati da singoli studi ha creato un sostanziale ostacolo per i non accademici nell’accesso e nell’ulteriore utilizzo di questi dati al di fuori delle pubblicazioni scientifiche.

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>