Monitoraggio della qualità dell'aria in tempo reale usando gli smartphone

L'Inquinamento atmosferico è quando sostanze nocive o inquinanti sono presenti nell'aria che respiriamo, e possono danneggiare persone, animali e l'ambiente. Questi inquinanti possono arrivare da molte fonti, come polvere, piccole particelle chimiche e gas. Il modo più comune in cui le persone sono colpite dall'inquinamento atmosferico è tramite la respirazione. Ci sono diversi tipi di piccole particelle nell'aria, conosciute come particolato, che possono rappresentare rischi per la salute.

Il particolato viene classificato in base alla sua dimensione. Le particelle che sono di 10 micrometri o più piccole si chiamano PM10, mentre le particelle fini sono di 2.5 micrometri o più piccole (PM2.5). Ci sono anche particelle ultra-finissime, che sono ancora più piccole delle PM2.5. Queste piccole particelle sono una delle principali cause dell'inquinamento atmosferico.

#Effetti sulla salute dell'inquinamento atmosferico

Secondo l'Organizzazione Mondiale della Sanità, circa sette milioni di persone muoiono ogni anno a causa dell'inquinamento atmosferico nel mondo. Preoccupante, nove persone su dieci respirano aria che supera i livelli sicuri di inquinamento. Questo problema è peggiore nei paesi a basso e medio reddito.

Le particelle PM2.5, in particolare, possono portare sostanze chimiche nocive nel corpo e causare gravi problemi di salute, intaccando il cervello, il cuore e i polmoni. Alcuni gruppi sono più vulnerabili all'inquinamento atmosferico, tra cui persone con condizioni preesistenti al cuore o ai polmoni, bambini e anziani.

#Qualità dell'aria e obiettivi globali

Le Nazioni Unite hanno stabilito vari obiettivi per lo sviluppo sostenibile, con l'Obiettivo 11 che si concentra sull'importanza di condizioni di vita sicure e qualità dell'aria. Questo è cruciale nelle aree urbane, specialmente in città come Dhaka, Bangladesh. Dhaka ha una delle densità di popolazione più elevate al mondo e si è segnalato che ha una qualità dell'aria estremamente scadente. La ricerca per migliorare la qualità dell'aria in queste città è fondamentale.

Data le limitazioni di Dhaka come nazione in via di sviluppo, la ricerca deve sfruttare la tecnologia esistente, come gli Smartphone, per monitorare la qualità dell'aria.

#Cambiamento climatico e il suo impatto

Il cambiamento climatico è un problema pressante che porta a eventi meteorologici più estremi, l'innalzamento del livello del mare e temperature globali più elevate. Le attività umane, come l'uso eccessivo di materiali non riciclabili e plastica, contribuiscono notevolmente al cambiamento climatico. L'ONU ha stabilito l'Obiettivo 13, focalizzandosi su azioni per affrontare gli effetti del cambiamento climatico.

Gli smartphone sono diventati parte integrante delle nostre vite quotidiane, fornendo un modo per catturare immagini e analizzare l'ambiente circostante. Utilizzando gli smartphone per monitorare la qualità dell'aria in tempo reale, possiamo trovare una soluzione economica ma efficace.

#Obiettivo della ricerca

Questa ricerca mira a sviluppare un nuovo metodo utilizzando il deep learning per creare una soluzione basata su smartphone per stimare la qualità dell'aria in tempo reale tramite immagini catturate.

Per raggiungere questo obiettivo, utilizzeremo dati sulla qualità dell'aria dal consolato locale degli Stati Uniti e creeremo un dataset basato su immagini raccolte da smartphone. Costruiremo e alleneremo quindi una Rete Neurale Convoluzionale Profonda (DCNN) per prevedere le concentrazioni di PM2.5 da queste immagini.

#Contributi della ricerca

I principali contributi di questo studio includono:

1. Sviluppo di una Rete Neurale Convoluzionale Profonda personalizzata progettata per prevedere i livelli di PM2.5 da immagini di smartphone.
2. Conduzione di valutazioni sperimentali approfondite per dimostrare che il nostro modello supera altri modelli esistenti per le previsioni specifiche della posizione delle PM2.5.
3. Creazione e pubblicazione di un nuovo dataset di immagini e dei relativi livelli di PM2.5 catturati a Dhaka, Bangladesh.

#Struttura del documento

Il documento è organizzato come segue:

• Una revisione della ricerca correlata sulle previsioni della qualità dell'aria basate su immagini.
• Informazioni di base sugli effetti delle PM2.5 sulle immagini.
• Descrizione del dataset utilizzato per lo studio.
• Schema della metodologia che abbiamo utilizzato, chiamata Predizione della Concentración di PM2.5 basata su Immagini (PPPC).
• Presentazione della nostra configurazione sperimentale e risultati.
• Discussione dei risultati e delle implicazioni future.

#Lavori correlati

La ricerca sulla previsione delle PM2.5 utilizzando immagini è stata limitata. Studi recenti si sono concentrati sulla classificazione degli indici di qualità dell'aria basati su immagini, utilizzando i progressi nel machine learning e nel deep learning. Vari modelli, comprese le Reti Neurali Convoluzionali, sono stati impiegati in questo contesto, ma la maggior parte si è concentrata su dati provenienti da telecamere fisse piuttosto che da fonti mobili.

#Metodi precedenti

Alcuni studi hanno utilizzato approcci diversi per stimare i livelli di PM2.5 dalle immagini. Ad esempio, alcuni lavori hanno coinvolto l'uso di attributi derivati dalle immagini, come contrasto e luminosità, per prevedere la qualità dell'aria. Altri hanno utilizzato modelli statistici per analizzare la probabilità di basse concentrazioni di PM2.5 in base alle caratteristiche delle immagini.

Sebbene alcuni metodi abbiano mostrato successo, spesso dipendono fortemente da posizioni fisse e dataset consolidati, rendendoli difficili da applicare in contesti urbani dinamici come Dhaka.

#Caratteristiche delle PM2.5 e i loro effetti sulle immagini

Il particolato nell'aria può influenzare il modo in cui le immagini vengono catturate. L'interazione della luce con queste particelle può portare a dispersione, che riduce la visibilità e influisce sulla qualità dell'immagine. Questa dispersione può dare un aspetto sbiadito o nebbioso nelle fotografie, rendendo difficile valutare la qualità dell'aria basandosi solo su osservazioni visive.

#Colore e luminosità nelle immagini

Colore e luminosità sono fattori significativi nell'analisi della qualità dell'aria dalle immagini. Quando ci sono PM2.5, alterano il modo in cui la luce viene dispersa, e questo può influenzare i colori visti in una foto. L'azzurro del cielo può indicare i livelli di inquinamento; un cielo opaco o grigiastro suggerisce un inquinamento più elevato.

#Caratteristiche delle immagini per la stima della qualità dell'aria

Prevederemo la qualità dell'aria utilizzando diverse caratteristiche chiave delle immagini:

1. Trasmissione della luce attraverso l'aria.
2. Il colore blu del cielo.
3. Lisciatura della superficie del cielo.
4. Contrasto dell'immagine.
5. Entropia, che misura la quantità di informazioni o dettagli nella foto.
6. Umidità, poiché può influenzare i livelli di PM2.5.

Ognuna di queste caratteristiche può fornire indicazioni sulla qualità dell'aria rappresentata nelle immagini.

#Creazione del dataset

Il nostro dataset è composto da immagini catturate a Dhaka, Bangladesh, dal 2020 al 2022. Ogni immagine include informazioni sulla data, ora, posizione e la corrispondente concentrazione di PM2.5 registrata in quel momento. Abbiamo raccolto immagini da varie fonti, comprese le contribuzioni della comunità e catture personali da smartphone.

Per garantire l'accuratezza del nostro dataset, abbiniamo le immagini con i dati delle PM2.5 dal consolato locale degli Stati Uniti, che pubblica aggiornamenti sulla qualità dell'aria ogni ora. Se un'immagine viene scattata in un momento specifico, utilizziamo la lettura di PM2.5 più vicina a quel momento per la nostra analisi.

Il dataset iniziale include un totale di 1.818 immagini, che sono state divise in gruppi di addestramento, validazione e test per garantire la robustezza del modello.

#Metodologia proposta: Predizione della Concentrazione di PM2.5 basata su Immagini

Il nostro approccio utilizza una Rete Neurale Convoluzionale Profonda (DCNN) progettata per prevedere i livelli di PM2.5 dalle immagini di smartphone. Il modello elabora le immagini per estrarre le caratteristiche chiave, che vengono poi utilizzate per stimare la qualità dell'aria.

#Architettura della rete

Il modello progettato comprende diversi strati:

• Uno strato di zero-padding per mantenere le dimensioni dell'immagine.
• Più strati convoluzionali per l'estrazione delle caratteristiche.
• Strati di max pooling per ridurre la dimensione e il calcolo.
• Strati completamente connessi per le previsioni finali.

Per l'attivazione, utilizziamo la funzione ReLU (Rectified Linear Unit), che aiuta ad accelerare il processo di addestramento rispetto ad altre funzioni.

#Addestramento e valutazione

Valuteremo il nostro modello utilizzando metriche standard per valutare le sue prestazioni. Queste metriche includono:

• Errore Assoluto Medio (MAE)
• Errore Quadratico Medio (MSE)
• Radice dell'Errore Quadratico Medio (RMSE)
• R-quadrato (R²) che indica quanto bene i dati previsti si adattano ai dati osservati.

#Risultati sperimentali

Dopo aver eseguito il modello, analizzeremo le sue capacità predittive rispetto al dataset raccolto. Puntiamo a dimostrare che il nostro approccio produce previsioni accurate dei livelli di PM2.5, mostrando l'efficacia della valutazione della qualità dell'aria basata su immagini.

#Confronto con altri modelli

Per convalidare le prestazioni del nostro modello, lo confronteremo anche con architetture di deep learning esistenti. Comprendere come il nostro modello si confronti con i metodi consolidati è cruciale per garantire l'affidabilità.

#Sfide e considerazioni

Il processo di previsione delle PM2.5 dai dati delle immagini presenta delle sfide. Ad esempio, immagini di bassa qualità possono portare a previsioni errate, e fattori ambientali come le condizioni di illuminazione possono influenzare significativamente i risultati.

#Direzioni future

Andando avanti, pianifichiamo di convertire il nostro modello in un'app mobile per offrire monitoraggio della qualità dell'aria in tempo reale direttamente agli utenti. Raccogliendo continuamente immagini e dati PM2.5 corrispondenti, possiamo migliorare l'accuratezza del nostro modello e espandere la sua applicabilità ad altre regioni.

Inoltre, esploreremo l'integrazione di altre tecnologie di rilevamento per raccogliere un range più ampio di dati ambientali. Questo approccio multifacetico può migliorare la robustezza delle nostre previsioni sulla qualità dell'aria.

#Conclusione

L'inquinamento atmosferico è una questione globale significativa, soprattutto nelle aree urbane densamente popolate. Sfruttando la tecnologia degli smartphone e le tecniche di deep learning, possiamo sviluppare soluzioni efficaci per il monitoraggio in tempo reale della qualità dell'aria. La nostra ricerca mira a fare un contributo significativo in questo campo e fornire strumenti accessibili per le comunità per comprendere e migliorare la loro qualità dell'aria.