Analyse und Prognose von Feinstaubdaten auf Basis von crowd-based Sensornetzen mit KI Verfahren

Abstract

Klima- und Umweltschutz stehen zunehmend im Fokus der Öffentlichkeit. Die Politik reagiert darauf mit Gesetzen und Richtlinien, die von staatlichen Institutionen umgesetzt werden. Diese erfassen klima- und umweltrelevante Daten in hochspezialisierten Messeinrichtungen, die allerdings nur mit großen Abständen errichtet werden. Crowd-based Sensornetze bieten die Möglichkeit, ergänzend Messungen mit günstigeren Sensoren vorzunehmen. Diese Daten müssen für die weitere Verwendung aufbereitet werden, damit sie als Grundlage für Analysen und Vorhersagen genutzt werden können. In dieser Arbeit wird ein Analyseprozess vorgestellt, welcher es ermöglicht, günstige Sensoren nachträglich auf Basis von umliegenden Referenzstationen zu kalibrieren. Weiter wird räumliche Interpolation genutzt, um die ungleichmäßig verteilten Sensordaten zu einem einheitlichen Raster zu schätzen. Dieses Raster wird im letzten Schritt genutzt, um kurzfristige Prognosen für die Feinstaubentwicklung mittels eines ConvLSTM-Netzes zu erstellen.

Climate and environmental protection are increasingly becoming the focus of public interest. Politicians are responding to this with laws and guidelines that are implemented by state institutions. These collect climate- and environment-relevant data in highly specialized measuring devices, which, however, are only set up at great distances from each other. Crowd-based sensor networks offer the possibility to perform complementary measurements with less expensive sensors. These data need to be processed for further use as a basis for analysis and prediction. In this paper, an analysis procedure is presented that allows subsequent calibration of low-cost sensors using surrounding reference stations. Furthermore, the unevenly distributed sensor data are estimated by spatial interpolation onto a uniform grid. This grid is used in the final step to generate short-term forecasts for particulate matter development using a ConvLSTM network.