Modelando bien - Grupo de bobina de encendido de Guiyang

npj Clima y ciencia atmosférica volumen 5, Número de artículo: 76 (2022) Citar este artículo

1559 Accesos

5 Altmetric

Detalles de métricas

El uso de redes de monitoreo de la calidad del aire para informar las políticas urbanas es fundamental, especialmente donde las poblaciones urbanas están expuestas a niveles sin precedentes de contaminación del aire. Sin embargo, los altos costos limitan la capacidad de los gobiernos de las ciudades para implementar monitores de calidad del aire de grado de referencia a escala; por ejemplo, solo hay 33 monitores de grado de referencia disponibles para todo el territorio de Delhi, India, que abarca 1500 kilómetros cuadrados con 15 millones de habitantes. En este artículo, describimos un modelo de predicción espacio-temporal de alta precisión que se puede utilizar para derivar mapas de contaminación detallados. Utilizamos dos años de datos de una red de monitoreo de bajo costo de 28 sensores de calidad del aire portátiles de bajo costo y diseño personalizado que cubren una región densa de Delhi. El modelo utiliza una combinación de redes neuronales recurrentes de paso de mensajes combinadas con modelos de geoestadística espacio-temporales convencionales para lograr una alta precisión predictiva frente a la alta variabilidad de datos y la disponibilidad intermitente de datos de sensores de bajo costo (debido a fallas de sensores, red y problemas de energía). Usando datos de monitores de grado de referencia para la validación, nuestro modelo de contaminación espacio-temporal puede hacer predicciones dentro de ventanas de tiempo de 1 hora con un error porcentual absoluto medio (MAPE) de 9,4, 10,5 y 9,6 % sobre nuestros monitores de bajo costo, monitores de grado de referencia , y la red de vigilancia combinada respectivamente. Estos mapas precisos de detección de contaminación de grano fino proporcionan un camino a seguir para construir sistemas de monitoreo de bajo costo impulsados por los ciudadanos que detectan la calidad del aire urbano peligroso en granularidades finas.

La predicción de la contaminación en ciudades densamente pobladas puede ser fundamental para generar recomendaciones de políticas detalladas y advertencias de salud pública1,2,3. La escala del monitoreo preciso basado en sensores requerido para lograr esto puede tener un costo enorme y, por lo tanto, inhibir la construcción de un mapa de detección de contaminación de grano fino y denso. El despliegue de sensores de material particulado de bajo costo para reemplazar o aumentar los sistemas de monitoreo de calidad del aire de contaminación de grado de referencia se ha estudiado ampliamente recientemente y ha abordado problemas de calibración4,5,6, diseño7,8, selección de datos9 y cuantificación de exposición personal10,11 . Sin embargo, la construcción de un mapa de detección y monitoreo de contaminación de grano fino a gran escala y altamente preciso que aproveche el tamaño de una red de contaminación ha sido en gran parte inexplorada. Específicamente, el modelado del comportamiento de sensores ruidosos de bajo costo en ciudades con alta contaminación y densidad de población no se ha estudiado previamente, con enfoques de mapeo de última generación que proporcionan errores solo en el rango de 30-40%12,13 . Este alto error hace que el mapa de detección de contaminación sea inutilizable para la formulación de políticas y la detección de peligros en la calidad del aire. El trabajo anterior sobre el despliegue de redes de sensores de bajo costo para la contaminación del aire ha tenido éxito a pequeña escala (dentro de un radio de 2 km) con altas tasas de acuerdo para las mediciones de PM 2,5 en el sureste de los Estados Unidos14. Los estudios de encuestas han demostrado que existe la necesidad de un cambio de paradigma hacia las redes de sensores de financiación colectiva para permitir aplicaciones basadas en sensores de granularidad fina a gran escala15. La cuestión de los problemas de calibración en entornos de tan gran escala se ha explorado recientemente con resultados prometedores sin la necesidad de una recalibración significativa16 después de una calibración de laboratorio bien controlada17. Los modelos de predicción de PM 2.5 han explorado recientemente redes neuronales profundas como la memoria a corto plazo (LSTM), redes neuronales de convolución (CNN), modelos basados en la atención; regresión vectorial, ecuaciones diferenciales parciales, pero se centran en un solo modelo unificado en una sola ubicación, en lugar de en un entorno de red de sensores a gran escala18,19,20,21,22,23,24.

Trabajos recientes también han explorado el uso de redes de sensores distribuidos para recopilar información sobre la contaminación del aire y otras variables meteorológicas en contextos urbanos25,26,27,28,29. Clemente et al. 30 proporcionan una revisión exhaustiva de muchos de estos trabajos. Los investigadores han buscado aprender más sobre cómo se pueden implementar los sistemas de detección de contaminación de sensores de bajo costo en contextos urbanos14,31,32,33,34,35,36. Con la excepción de Gao et al. 36, que examinan el desempeño de los sensores de partículas finas en Xi'an en China, la mayoría de estos despliegues se han producido en áreas con una contaminación del aire significativamente menor que la ciudad de Delhi en India. Gao et al. 36 también señalan que los sensores de PM2.5 de bajo costo pueden funcionar peor en ambientes de muy baja contaminación, lo que sugiere que pueden ser relativamente más útiles cuando las concentraciones de partículas son altas. Los enfoques relacionados en este espacio se pueden clasificar en términos generales en tres grupos: enfoques de interpolación espacial, regresión del uso de la tierra y modelos de dispersión Xie et al. 37, Jerrett et al. 38. En el caso de los modelos de dispersión, asumen que se identifica un modelo de transporte químico apropiado junto con los valores de sus parámetros y un inventario de emisiones de alta calidad. En el caso de los modelos de regresión del uso de la tierra, es fundamental tener acceso a las características ambientales que influyen significativamente en la contaminación. Estos datos adicionales a menudo son adecuados para predicciones de mayor alcance, ya que los datos geográficos y meteorológicos varían en cuadrículas temporales más largas y espaciales más gruesas39,40.

En este artículo, describimos una metodología para modelar y predecir la calidad del aire urbano a un nivel de grano fino utilizando sensores densos y ruidosos de bajo costo. Hay dos preguntas principales que buscamos responder en este documento: (i) ¿cómo podemos usar una red de monitores de calidad del aire portátiles y de bajo costo para construir un mapa de calor de contaminación detallado en una ciudad que proporcione una predicción precisa? (ii) ¿ayuda a aumentar las redes de monitoreo existentes de los gobiernos locales con sensores de calidad del aire de bajo costo?

Desplegamos una red de 28 sensores de bajo costo, muchos de ellos concentrados en el área del sur de Delhi, en colaboración con Kaiterra41, una empresa que fabrica monitores de calidad del aire y filtros de aire de bajo costo. Aumentamos drásticamente la densidad del despliegue en 28 veces en Delhi (área de 573 mi2) con 28 sensores, en comparación con despliegues anteriores (Xi'an - área de 3898 mi2, 8 sensores de bajo costo). Además, el gran conjunto de datos longitudinales que hemos podido capturar durante 2 años en comparación con el trabajo anterior, que capturó como máximo unas pocas semanas de datos, nos permite modelar cambios estacionales a largo plazo y entrenar modelos de redes neuronales más complejos que pueden adaptarse a patrones estacionales y diarios. Nos basamos en trabajos anteriores y modelamos la red de contaminación en su totalidad, con modelos de predicción en cada ubicación de sensor utilizando datos de ubicaciones de sensores cercanas.

Modelamos la contaminación en cualquier lugar de Delhi medida por la concentración de partículas finas (PM2.5) medida en μgm−3 utilizando datos históricos de hasta 8 h de todos los sensores de la red. Tomamos esta decisión de construir un mapa de detección de contaminación de grano fino en plazos más cortos para aprovechar la principal ventaja de los sensores de bajo costo y superar el inconveniente del ruido al agregar numerosas mediciones espacio-temporales. Al aprender la variabilidad de cada una de estas mediciones ruidosas a través de redes neuronales de paso de mensajes (MPRNN) que tienen la capacidad de modelar cada sensor por separado, aprendemos no solo a separar la señal del ruido, sino también a construir una red de detección precisa de bajo costo. sensores que logran <10 % de error cuadrático medio (RMSE) al predecir con hasta una hora de anticipación sobre una cuadrícula espacio-temporal de grano fino en comparación con los enfoques de modelado de referencia que proporcionan un 30 % de RMSE. Mediante el uso de una red dispersa de sensores, cuyas señales se comparten a través de incrustaciones de redes neuronales, aprendemos a capturar la información de fuentes cercanas que podrían afectar las lecturas de fuentes cercanas (p. ej., fábrica) e ignoramos las que están muy localizadas (p. ej., carrito de comida). Los formuladores de políticas pueden utilizar un mapa de detección de contaminación tan preciso y detallado (≤10% MAPE) para decidir qué vecindarios de la ciudad necesitan intervenciones para mejorar la calidad del aire y la salud de la población. Hasta donde sabemos, somos los primeros en intentar modelar el despliegue de una red de sensores a escala de ciudad con sensores de bajo costo que aumentan las estaciones de monitoreo gubernamentales de alta calidad. Con una red de sensores del tamaño de una ciudad, con 60 sensores repartidos por la ciudad de Delhi (700 kilómetros cuadrados), capturar variaciones espacio-temporales y construir mapas de contaminación precisos requiere modelar cada sensor por separado. Al aumentar la escala y abordar los desafíos de modelado correspondientes, nuestro trabajo tiene implicaciones generalizadas para la detección de la contaminación y su implementación de bajo costo.

Nuestros datos consisten en datos de concentración de PM2.5 promediados por hora de los 28 sensores de bajo costo y los 32 monitores gubernamentales, un total de 60 monitores, recopilados durante un período de 24 meses, desde el 1 de mayo de 2018 hasta el 1 de mayo de 2018. 2020. Usamos hasta el 30 de octubre de 2019 para capacitación (75 %) y reservamos el resto (25 %) para pruebas. Informamos dos criterios: el RMSE y el error porcentual absoluto medio (MAPE). Evaluamos nuestros modelos en los datos del conjunto combinado de nuestros 28 sensores de bajo costo y los 32 monitores gubernamentales, así como por separado en cada conjunto. Para cada una de estas ubicaciones, comparamos nuestras predicciones basadas en modelos con la verdad de campo de la medición del sensor de contaminación.

En general, el modelo MPRNN con datos imputados utilizando STHM junto con la corrección spline proporciona una estimación muy precisa del nivel de concentración de PM en todas las ubicaciones (consulte la Tabla 1). El modelo con mejor desempeño es capaz de predecir concentraciones de PM2.5 con un RMSE promedio de 10.1 μgm−3 y MAPE de 9.6 % en todas las ubicaciones y durante el período de prueba. Si bien la estimación de una spline por ubicación proporciona el mejor rendimiento predictivo, observamos que el uso de una spline promedio en todas las ubicaciones observadas solo aumenta marginalmente los errores RMSE y MAPE. La spline promedio se calcula después de promediar los datos de todas las ubicaciones. En todas las ubicaciones, la mediana de RMSE y MAPE son 9,15 μgm−3 y 8,64 % respectivamente (ref. Fig. 1). Los valores del mejor caso son 4,28 μgm−3 y 5,57 % respectivamente, y los valores del peor caso son 24,1 μgm−3 y 19,64 % respectivamente. La ubicación donde tenemos un MAPE mínimo es una ubicación en Green Park, un área muy concurrida del sur de Delhi, lo que valida aún más la necesidad de una detección de contaminación de grano fino en una gran ciudad como Delhi.

En este período, los valores de concentración de PM2.5 oscilan entre 0 y 1000 μgm−3, y el valor promedio es de ~130 μgm−3. un gráfico de barras que compara nuestra metodología con otros enfoques de la competencia. Observamos que el modelado de interacciones espaciotemporales utilizando una red neuronal como MPRNN y la contabilidad de patrones periódicos intradiarios en forma de correcciones de spline hacen una gran diferencia en el rendimiento. b Distribución de MAPE para el modelo de mejor desempeño - Per-Sensor Spline con imputación STHM + MPRNN, en todas las ubicaciones mostradas como una función de densidad acumulada (CDF). c Errores de predicción del modelo de mejor desempeño (MPRNN+Spline) en cada ubicación de monitoreo en el mapa. d Errores de la predicción final ampliados a las regiones con mayor concentración de sensores (Nueva Delhi y Sur de Delhi).

El ajuste de ranura cúbica de 3 vías muestra una tendencia común de contaminación de referencia que aumenta constantemente hasta las 8 a. m., luego disminuye hasta las 4 p. m. y luego aumenta nuevamente hasta la medianoche. Observamos que este es el modelo polinomial compuesto de las concentraciones de PM en un día promedio (ref. Fig. 2). El error medio de este modelo es de aproximadamente 40 μgm−3 en cada una de las tres ventanas, de 12 a. m. a 8 a. m., de 8 a. m. a 4 p. m. y de 4 p. m. a 12 a. ajuste del modelo de red en los residuos. La figura 2 y la figura complementaria 2 muestran los splines por sensor y el spline promedio en detalle. Las splines por sensor no solo varían ampliamente en el espacio, sino que notamos que las regiones con errores residuales de spline significativamente altos, como los sensores A838, E8E4 y 2E9C en la figura complementaria 2, están ubicadas en ubicaciones centrales de Delhi con comercial bien establecido. actividad como Connaught Place, Sardarjung Enclave y Lado Sarai respectivamente. Además, en la Fig. 2 complementaria, los valores atípicos con splines de error residual significativamente altos entre las estaciones de monitoreo del gobierno son Patparganj DPCC, Punjabi Bagh DPCC y DKSSR DPCC. Mientras que Patparganj está situado junto a una zona industrial, Punjabi Bagh es una localidad residencial muy conocida con centros de actividad comercial establecidos, y DKSSR, abreviatura de Dr. Karni Singh Shooting Range, es un campo de tiro situado en las afueras de Delhi junto a un autopista interestatal. La diversidad de estas splines en varias regiones geográficas indica aún más la necesidad de modelar perfiles de contaminación de grano fino en ubicaciones aparentemente remotas y centrales de Delhi. También notamos que el spline promedio puede funcionar lo suficiente para el arranque en ubicaciones donde no tenemos suficientes datos de sensores para empezar.

Las dos filas superiores muestran la distribución de los residuos (en unidades PM de μg/m3) en el espacio, antes y después de la corrección spline. Se ajustaron tres splines diferentes sobre los residuos en tres intervalos de tiempo diferentes en el día. Observamos que, en su mayor parte, las ubicaciones que exhibieron errores residuales altos después del ajuste de MPRNN (en los cuantiles superiores de la distribución de errores residuales) continuaron mostrando errores altos (en relación con otras ubicaciones) incluso después de la corrección spline, aunque la magnitud de la residual disminuye. Este fenómeno se explica en parte por los altos valores de línea de base de los sensores con altos errores residuales, que a menudo se combina con una alta variación en la medición. a Ranura 1 (de 12 a. m. a 8 a. m.). b Espacio 2 (8 a. m. a 4 p. m.). c Ranura 3 (4:00 p. m. a 12:00 a. m.). d Corrección spline cúbica compuesta que consta de tres splines ajustados para tres partes del día que no se superponen: de la medianoche a la madrugada (de 12 a. m. a 8 a. m.), del mediodía (de 8 a. m. a 4 p. m.) y de la tarde a la medianoche SOY). e Ground Truth PM2.5 (azul), junto con la predicción de MPRNN (verde) y la predicción final después de la corrección spline (rojo) en una de nuestras ubicaciones de sensores en Chanakyapuri en Nueva Delhi. f Ground Truth PM2.5 (azul), junto con la predicción MPRNN (verde) y la predicción final después de la corrección spline (rojo) en el monitor CPCB en Sirifort en el sur de Delhi.

En su mayor parte, las ubicaciones que exhibieron errores residuales altos después del ajuste de MPRNN continuaron mostrando errores altos (en relación con otras ubicaciones) incluso después de la corrección spline, aunque la magnitud de las disminuciones residuales. Este fenómeno se explica en parte por los altos valores de línea de base de los sensores con altos errores residuales, que a menudo se combina con una alta variación en la medición.

Cuantos menos monitores usamos en nuestro modelo híbrido, mayor fue el rendimiento final de la predicción. Como muestra la figura complementaria 3, con solo un monitor en la red, los errores predictivos son de aproximadamente 35 y 20 μgm−3, respectivamente, para la red de sensores de bajo costo y la red gubernamental. Sin embargo, a medida que incluimos datos de más nodos en la red, el error de predicción final cae bruscamente a alrededor del 15 % y luego se reduce gradualmente a alrededor del 10 %. El error aplana unos 30 sensores, que es aproximadamente el número de sensores de cada tipo que tenemos en nuestro experimento. Inferimos que tener una implementación aún más densa probablemente agregue poco valor al rendimiento predictivo. Además, la disminución de la cantidad de datos de entrenamiento para entrenar el modelo muestra que, como mínimo, se requiere un año de datos para capturar las tendencias estacionales y lograr un RMSE de casi el 10 % (Tabla complementaria 3).

El MAPE y RMSE bajos en todos los monitores en Delhi proporcionados por nuestro modelo Per-Sensor Spline+MPRNN con imputación STHM son significativos, ya que significa que nuestro modelo puede detectar la calidad del aire peligrosa con alta precisión. El error RMSE es significativamente más bajo que la variación observada en las concentraciones de PM2.5 en un día, lo que lo hace útil también para análisis a corto plazo e intradiarios. Los estándares de calidad del aire de la OMS prescriben que los niveles de PM2.5 no deben exceder los 5 y 15 μgm-3 en niveles promedio anuales y diarios, mientras que los estándares de calidad del aire del gobierno indio prescriben 40 y 60 μgm-3, respectivamente. Notamos que para los 60 sensores, Delhi ha excedido estos niveles prescritos 371 de los 641 días a nivel diario, a lo largo de 2 años de nuestra medición. El error MAPE del 9,6 % que podemos lograr corresponde a la capacidad de detectar la calidad del aire peligrosa según los estándares del gobierno indio con una precisión del 93,5 % y una recuperación del 90,8 %. Esto indica además que la baja tasa de error que hemos obtenido conduce a una predicción casi exacta de la calidad del aire peligrosa. Esto permite la detección impulsada por los ciudadanos en la que las lecturas de los sensores de contaminación pueden ser colaborativas, y se pueden implementar intervenciones políticas efectivas, como políticas de energía limpia que penalizan los sitios de construcción que tienen niveles de PM2.5 más de un 25 % más altos que el centro de monitoreo más cercano42. Específicamente, la mejora en el poder predictivo se logra en puntos críticos de contaminación específicos como estaciones de autobuses, mercados, etc. (Fig. 1). Además, podemos brindar transparencia sobre la contaminación promedio general de la ciudad43 y contribuir a aumentar los beneficios colaterales de las políticas de energía limpia44,45.

Dado que los datos utilizados para medir el rendimiento del modelo son nuevos, es importante comprender las variaciones espaciales y la heterogeneidad en las mediciones que subyacen a la red de sensores. Para garantizar aún más que la mejora en el rendimiento de predicción del modelo sea mejor que el ruido en los datos, realizamos una calibración exhaustiva de los sensores. Para esto, aprovechamos la calibración realizada internamente por el fabricante del sensor (Kaiterra46) (más información en el Apéndice) que confirma que no se requiere una recalibración47, y también realizamos la validación comparando las lecturas de nuestro sensor con las lecturas proporcionadas por el más cercano. estación de monitoreo de contaminación del gobierno. La Figura 5 complementaria muestra la calibración cruzada del valor promedio de contaminación informado por los 28 monitores gubernamentales con el valor promedio de los 18 sensores en nuestro banco de pruebas en la localidad del sur de Delhi. Observamos que los sensores han sido bastante bien calibrados con los monitores de referencia e informan un valor promedio similar en toda la ciudad a pesar de las variaciones espacio-temporales y del nivel del sensor individual. Esto brinda confianza en los datos generados a partir de este piloto para que sean útiles como referencia para el modelado y pronóstico de la contaminación.

Además, también realizamos una calibración del vecino más cercano donde calculamos la correlación temporal de nuestro sensor con la estación de monitoreo gubernamental más cercana de ese sensor. La Tabla complementaria 4 muestra que, en promedio, los coeficientes de correlación son> 0,8, lo que indica que no hay una diferencia estadísticamente significativa entre ellos en promedio (prueba t, nivel de confianza: 0,05, valor p: 0,0011). Además, en la Fig. 4 complementaria, vemos que cuando ordenamos nuestros sensores por la estación gubernamental vecina más cercana, las correlaciones cruzadas entre nuestros sensores se alinean correspondientemente, con una alta correlación entre los sensores cercanos y una baja correlación entre los sensores más lejanos. Esto enfatiza aún más la importancia de la mejora en el modelado, ya que mejora significativamente las capacidades de predicción de una red de sensores de grano fino, que puede capturar variaciones espaciales en la contaminación de Delhi.

El desarrollo de mapas de detección de contaminación de grano fino a bajo costo puede catalizar aún más el despliegue de tales redes de monitoreo en otras ciudades contaminadas, donde las redes de contaminación son escasas. Con los ciudadanos adquiriendo, implementando y modelando la contaminación de las ciudades con precisión, este documento proporciona un camino a seguir para desarrollar mapas de detección de contaminación de granularidad fina de alta calidad.

Modelamos el problema de predicción espacio-temporal como un problema de predicción de gráficos, donde predecimos un valor en cada nodo en un momento determinado utilizando como entrada los valores históricos de los nodos vecinos. En nuestro entorno, cada ubicación de sensor v ∈ V es un nodo en un gráfico no dirigido. Suponiendo que los contaminantes del aire se difunden uniformemente en todas las direcciones y ejercen su influencia en toda nuestra región de interés, en este caso la región de Delhi, completamos el gráfico, donde existe un borde entre cada par de nodos. El objetivo final es entrenar un modelo que prediga en cualquier nodo el nivel de contaminación, medido en términos de concentración de partículas finas PM2.5, en el tiempo t dada una o más lecturas de ubicaciones vecinas antes de t. El primer paso es interpolar las lagunas en los datos. Usamos un modelo de geoestadística para esta tarea, llamado Modelo Jerárquico Espacio-temporal (STHM). Luego ajustamos una spline cúbica basada en las tendencias diarias en cada ubicación del sensor y, finalmente, entrenamos una red neuronal recurrente de paso de mensajes (MPRNN) (Sección 4.4) para predecir los residuos sobre la línea de base. Para tener en cuenta la cantidad de influencia basada en las distancias por pares, incluimos la distancia euclidiana entre los sensores como parte de nuestra incorporación de características en nuestra formulación de paso de mensajes. Probamos este modelo mediante la predicción de valores en ubicaciones donde están presentes los sensores y, por lo tanto, la información de verdad del terreno, pero el modelo es lo suficientemente generalizado como para usarse para predecir en ubicaciones donde no hay datos de verdad del terreno disponibles. Si \(y_{v,t}\) es la lectura del sensor en la ubicación v, en la marca de tiempo t, y \({\hat{y}}_{v,t}\) es nuestra predicción correspondiente, la predicción El modelo tiene como objetivo minimizar la pérdida porcentual absoluta media:

Nuestro modelo de pronóstico de contaminación para estimar la concentración de partículas PM2.5 en el espacio y el tiempo consta de tres pasos importantes. Dadas las variaciones en la disponibilidad de datos a través de nuestros sensores de contaminación, el primer paso de nuestro método utiliza un Modelo Jerárquico Espacio-Temporal (STHM) estándar para estimar los datos que faltan. Nuestro modelo STHM es un marco de modelado estadístico estándar de geoestadística que combina múltiples fuentes de información, acomoda valores faltantes y calcula predicciones tanto en el espacio como en el tiempo. Con base en los patrones de variación diarios observados en cada uno de los sensores de contaminación, el segundo paso de nuestro método estima una spline cúbica de tres vías en cada ubicación del sensor, una para cada intervalo de 8 h disjunto en un período de 24 h (de 12 a. m. a 8 a. m., 8 am a 4 pm y 4 pm a 12 am), representando tres patrones diferentes en las variaciones de PM2.5. Las ranuras cúbicas para cada sensor representaban un nivel de referencia de concentración de PM2.5. Las splines cúbicas pueden proporcionar una buena aproximación a las variaciones diarias promedio generales entre los sensores, pero no capturan las variaciones espacio-temporales a corto plazo representadas por los errores residuales en la línea de base. El paso final de nuestro método es entrenar una red neuronal recurrente de paso de mensajes (MPRNN) a través de los puntos de monitoreo de contaminación para estimar los errores residuales de los sensores vecinos. Describiremos brevemente las características de nuestros datos y luego explicaremos la metodología spline cúbica y MPRNN en esta sección. Remitimos al lector al texto complementario para una descripción detallada del modelo STHM.

Los datos utilizados para modelar los niveles de contaminación del aire en Delhi se obtuvieron de una combinación de 32 monitores del gobierno local y una red de 28 sensores de bajo costo desplegados por nosotros en varios lugares de Delhi desde mayo de 2018 hasta mayo de 2020. La disponibilidad promedio de cada uno de estos sensores son aproximadamente 90 y 30% durante el período medido, respectivamente. Esta disparidad se atribuye a una variedad de factores, como la desconexión para la calibración periódica necesaria, las interrupciones de la red y el mantenimiento periódico de los sensores. Los sensores se calibran contra los sensores del gobierno, realizando un estudio de comparación longitudinal midiendo en la proximidad de la ubicación de los centros de monitoreo del gobierno. Las ubicaciones y sus estadísticas de resumen de los sensores por ubicación se proporcionan en las Tablas complementarias 1 y 2, y se muestran visualmente en los diagramas de caja en la Fig. 1 complementaria.

Observamos que diariamente, según la hora del día y la ubicación, hay un componente de baja frecuencia que constituye un "nivel de referencia" aproximado de concentración de PM. Con base en esta observación, ajustamos una función polinomial por partes, llamada spline, para modelar este componente de baja frecuencia. Dividimos un solo día en varias épocas y ajustamos una spline para cada época. Antes de implementar los splines cúbicos, observamos que los errores residuales del modelo MPRNN exhiben diferentes errores en diferentes momentos del día. Luego procedimos a ajustar splines cúbicos basados en los patrones espacio-temporales diarios por sensor y por ubicación. Por ejemplo, si nuestro error de predicción sigue un patrón temporal de, por ejemplo, un error de predicción más alto por la mañana y más bajo por la tarde, podemos aprovechar este ajuste de splines separados para la mañana y la tarde para restar este componente. La spline puede ser de cualquier orden, pero dados nuestros patrones de error residual, descubrimos que la spline cúbica por partes funciona mejor. Supongamos que en el momento t y la ubicación v, el valor bruto de PM viene dado por yv,t. Entonces, el spline por partes para predecir y, con un período de tiempo p está dado por:

Tenga en cuenta que los parámetros elegidos por sensor αv,p, βv,p, κv,p, νv,p, donde p ∈ {"mañana", "tarde", "noche"}, dependen de los patrones en nuestros errores residuales y son ajuste en consecuencia para minimizar el error residual cuadrático medio raíz:

MPRNN, basado en refs. 48,49, es una arquitectura de red neuronal que se aplica en un gráfico para predecir valores en cada nodo del gráfico. Este enfoque nos permite incorporar interacciones espaciales entre cada par de nodos como "mensajes" que se transmiten desde cada nodo a sus vecinos. Cada nodo tiene una versión modificada de una red de memoria a largo plazo (LSTM) que itera entre el paso de mensajes y los cálculos recurrentes.

Supongamos que yv,t es una cantidad de interés en el nodo vy el tiempo t, para la cual nos gustaría construir un modelo predictivo. Matemáticamente, nos gustaría aprender una función \({{{\mathcal{F}}}}\) tal que, \({y}_{v,t+1}={{{\mathcal{F}} }}({v}_{1},{y}_{{v}_{1},t},{v}_{2},{y}_{{v}_{2},t} ,\ldots ;{v}_{j}\in {{{\mathcal{V}}}})\) donde el conjunto \({{{\mathcal{V}}}}\) denota el conjunto de todos los nodos en el gráfico. Se asigna una unidad de red neuronal recurrente a cada nodo en el gráfico, con cada nodo v manteniendo un estado oculto hv,t en el tiempo t. A través de una fase de paso de mensajes y una fase recurrente en el tiempo, nuestro modelo infiere el siguiente estado oculto, hv,t+1 a partir del cual se decodifica el valor PM en v. Una operación de paso de mensajes permite que un segmento observe el estado oculto de sus segmentos vecinos.

El cálculo procede en cinco pasos, como cinco capas de la red neuronal. En la primera fase, la fase de observación, las observaciones de entrada \({Y}_{t}=\{{y}_{v,t}| v\in {{{\mathcal{V}}}}\} \) en el momento t se codifican en hv,t mediante la operación de observación Ov. En la segunda y tercera fase, se realizan una o más iteraciones de operaciones de mensajería (M) y actualización (U) para propagar las observaciones en el gráfico. En la cuarta fase, para cada nodo, un operador recurrente en el tiempo Tv que utiliza una unidad LSTM toma como entrada el estado oculto final hv,t y predice el siguiente estado oculto hv,t+1. La fase final es la operación de lectura Rv, que decodifica el estado oculto para producir el valor de salida a predecir \({\hat{y}}_{v,t+1}\). Estos cinco pasos se muestran a continuación. La función de mensaje toma como entrada los estados ocultos de un par de nodos v y n y la distancia euclidiana entre ellos, dv,n, ya que la influencia de la contaminación en un lugar dado sobre la contaminación en otro lugar dependería de la distancia entre ellos. . Por lo tanto, incluimos la distancia en la incrustación.

Para una selección de nodos \({{{\mathcal{W}}}}\) en el gráfico, los componentes del modelo \(\{{O}_{w},M,U,{T}_{ w},{R}_{w},| w\in {{{\mathcal{W}}}}\}\) están definidos. Durante la inferencia, los estados \({H}_{t}=\{{h}_{w,t}| w\in {{{\mathcal{W}}}}\}\) se mantienen en cada momento paso. El estado oculto de cada segmento se inicializa en t = 0 aleatoriamente durante el entrenamiento y la evaluación \({h}_{v,0} \sim {{{\mathcal{N}}}}(0,1)\).

Utilizamos los datos del 1 de mayo de 2018 al 1 de noviembre de 2019, un período de 18 meses, como período de entrenamiento. El número de muestras que tuvimos para capacitación fueron 166.979 de nuestra red de sensores de bajo costo y 371.806 de la red de gobierno, lo que da un total de 538.785 muestras. El modelo se entrenó en cada ubicación de sensor, utilizando como entrada datos de todos los demás monitores excepto él mismo, durante todo el período de entrenamiento. Utilizamos el optimizador de Adam50 con una tasa de aprendizaje de 0,001 y ejecutamos el entrenamiento durante 30 épocas para garantizar un modelo robusto y bien entrenado. Para validar el modelo, utilizamos los datos de los 6 meses restantes desde el 1 de noviembre de 2019 hasta el 1 de mayo de 2020. La cantidad de muestras reales disponibles en este período fue de 20 408 y 91 493 en la red de bajo costo y la red gubernamental, respectivamente. resultando en un total de 111901 muestras. Sin embargo, solo 12 de los 28 sensores de bajo costo estaban operativos en la fase de prueba, ya que muchos de ellos no habían recibido el servicio adecuado, en parte debido a la pandemia de COVID-19. El error de prueba informado en Resultados (§2), por lo tanto, muestra las predicciones probadas en 12 ubicaciones de sensores de bajo costo y 32 monitores gubernamentales, un total de 44 ubicaciones combinadas. Además, para comprender las implicaciones de la disponibilidad de menos datos durante el entrenamiento, evaluamos nuestro modelo como se muestra en la Tabla complementaria 3 y descubrimos que con datos de entrenamiento de menos de un año, el rendimiento de nuestro modelo disminuye significativamente ya que las tendencias estacionales no se capturan bien.

El MPRNN se implementa utilizando Deep Graph Library51 y PyTorch 52 en Python. El diagrama del modelo se muestra en la Fig. 3.

una red de monitores de calidad del aire en toda la región de Delhi. b Arquitectura del modelo, que muestra las entradas del sensor M que alimentan las capas y producen una única salida real, ilustrada al hacer zoom en la región seleccionada en (a). El cálculo va de arriba a abajo. Los recuadros verdes representan concentraciones de PM de entrada de un conjunto de ubicaciones, los recuadros grises las capas de transformación lineal ocultas, con los números en los recuadros que representan la cantidad de parámetros internos que se aprenderán, y el recuadro naranja muestra el RNN con las celdas LSTM. Aquí 256 es el tamaño de incrustación de los mensajes de la capa oculta pasados, que se eligió empíricamente en función del rendimiento. El resultado final es el valor real único de la concentración de PM. La entrada a la RNN es la salida vectorial de longitud 256 de la capa oculta. Más detalles están en el texto complementario. c Modelo de muestra de un sensor de bajo costo. d Nuestro banco de pruebas experimental de monitores y la calidad de los datos de PM2.5 obtenidos. Tuvimos que lidiar con interrupciones frecuentes y problemas de comunicación que plagaron nuestra red de sensores y afectaron la disponibilidad de datos.

Contrastamos nuestro modelo combinado con dos enfoques de modelado alternativos para establecer una línea de base para comparar el rendimiento del modelo MPRNN. El primero es el propio STHM, una metodología de modelado espacio-temporal de última generación. Cuando el STHM se usa únicamente para la predicción, funciona mal, ya que no modela dependencias espaciales no lineales desconocidas debido a la dispersión. La segunda línea de base es una formulación de red neuronal alternativa que recopila información de un número específico (K) de vecinos más cercanos a una ubicación L, y los alimenta a una red neuronal recurrente entrenada, para predecir el valor en L. A diferencia del MPRNN, este modelo no tiene en cuenta la influencia espacial explícita entre cada par de sensores, lo que nos permite ver cómo podría funcionar un modelo no lineal de múltiples variables más simplificado. A este modelo lo llamamos red neuronal espacial k-vecino más cercano (k-NN).

Los datos que respaldan los hallazgos de este estudio se componen de dos partes: los datos de PM2.5 de los monitores del gobierno y los datos recopilados de nuestra red de sensores de bajo costo. Los primeros son datos públicos y se puede acceder aquí53. Los datos también pueden ser proporcionados por los autores previa solicitud. Estos últimos son datos de terceros y los autores están sujetos a un acuerdo de confidencialidad con Kaiterra, los fabricantes de los sensores de bajo costo, y solo pueden estar disponibles para revisión confidencial por pares, si así lo solicitan los revisores, dentro de los términos de los datos. acuerdo de uso y si cumple con los requisitos éticos y legales.

Todo el código relevante se puede obtener previa solicitud al autor de correspondencia. El código también está disponible en GitHub: https://github.com/shivariyer/epod-nyu-delhi-pollution.

Shaddick, G., Thomas, M., Mudu, P., Ruggeri, G. y Gumy, S. La mitad de la población mundial está expuesta a una contaminación del aire cada vez mayor. NPJ Clima. atmósfera ciencia 3, 1–5 (2020).

Artículo Google Académico

Rao, ND, Kiesewetter, G., Min, J., Pachauri, S. y Wagner, F. Contribuciones de los hogares e impactos de la contaminación del aire en la India. Nat. Sostener. 4, 1–9 (2021).

Artículo Google Académico

Geng, G. et al. Controladores de pm2. 5 muertes por contaminación del aire en china 2002–2017. Nat. Geosci. 14, 645–650 (2021).

Artículo Google Académico

Liu, H.-Y., Schneider, P., Haugen, R. y Vogt, M. Evaluación del rendimiento de un dispositivo de bajo costo pm2. 5 durante un período de casi cuatro meses en Oslo, Noruega. Ambiente 10, 41 (2019).

Artículo Google Académico

Liu, X. et al. Sensores de bajo costo como alternativa para el monitoreo de la calidad del aire a largo plazo. Reinar. Res. 185, 109438 (2020).

Artículo Google Académico

Giordano, MR et al. Desde sensores de bajo costo hasta datos de alta calidad: un resumen de los desafíos y las mejores prácticas para calibrar de manera efectiva sensores de masa de partículas de bajo costo. J. Ciencia de aerosoles. 158, 105833 (2021).

Artículo Google Académico

Tryner, J. et al. Diseño y prueba de un sensor de bajo costo y una plataforma de muestreo para la calidad del aire interior. Entorno del edificio. 206, 108398 (2021).

Artículo Google Académico

Prakash, J. et al. Prorrateo de fuentes en tiempo real de constituyentes inorgánicos y orgánicos de partículas finas en un sitio urbano en la ciudad de Delhi: un enfoque basado en iot. Res. Contaminación Atmosférica. 12, 101206 (2021).

Artículo Google Académico

Bi, J. et al. Mediciones de sensores de bajo costo disponibles públicamente para el modelado de exposición pm2.5: Orientación para la implementación del monitor y la selección de datos. Reinar. En t. 158, 106897 (2022).

Artículo Google Académico

Zusman, M. et al. Calibración de sensores de material particulado de bajo costo: desarrollo de un modelo para un estudio epidemiológico de varias ciudades. Reinar. En t. 134, 105329 (2020).

Artículo Google Académico

Mahajan, S. & Kumar, P. Evaluación de sensores de bajo costo para el monitoreo cuantitativo de la exposición personal. Ciudades Sostenibles Soc. 57, 102076 (2020).

Artículo Google Académico

Spyropoulos, GC, Nastos, PT & Moustris, KP Rendimiento de un dispositivo sensor de éter de bajo costo para mediciones de contaminación del aire en entornos urbanos. evaluación de la precisión aplicando el índice de calidad del aire (aqi). Atmósfera 12, 1246 (2021).

Chu, H.-J., Ali, MZ y He, Y.-C. Calibración espacial y mapeo pm 2.5 de sensores de calidad del aire de bajo costo. ciencia Rep. 10, 1–11 (2020).

Artículo Google Académico

Jiao, W. et al. Proyecto de red de sensores de aire comunitarios (cairsense): evaluación del rendimiento de sensores de bajo costo en un entorno suburbano en el sureste de los Estados Unidos. atmósfera medida tecnología 9, 5281–5292 (2016).

Artículo Google Académico

Morawska, L. et al. Aplicaciones de tecnologías de detección de bajo costo para el monitoreo de la calidad del aire y la evaluación de la exposición: ¿Hasta dónde han llegado? Reinar. En t. 116, 286–299 (2018).

Artículo Google Académico

Stavroulas, I. et al. Evaluación de campo de sensores de pm de bajo costo (purple air pa-ii) bajo condiciones variables de calidad del aire urbano, en Grecia. Atmósfera 11, 926 (2020).

Artículo Google Académico

Tancev, G. & Pascale, C. El problema de la reubicación de los sistemas de sensores de bajo costo calibrados en campo en el monitoreo de la calidad del aire: un sesgo de muestreo. Sensores 20, 6198 (2020).

Artículo Google Académico

Kim, HS et al. Desarrollo de un sistema de predicción diario pm 10 y pm 2.5 utilizando un modelo de red neuronal de memoria profunda a largo y corto plazo. atmósfera química física 19, 12935–12951 (2019).

Artículo Google Académico

Kalajdjieski, J., Mirceva, G. & Kalajdziski, S. Modelos de atención para la predicción de pm 2.5. En 2020 Conferencia internacional IEEE/ACM sobre computación, aplicaciones y tecnologías de Big Data (BDCAT) 1–8 (IEEE, 2020).

Lin, L., Chen, C.-Y., Yang, H.-Y., Xu, Z. y Fang, S.-H. Enfoque de sistema dinámico para mejorar la predicción de pm 2.5 en Taiwán. Acceso IEEE 8, 210910–210921 (2020).

Artículo Google Académico

Pérez, P., Trier, A. & Reyes, J. Predicción de pm2. 5 concentraciones con varias horas de anticipación utilizando redes neuronales en Santiago de Chile. atmósfera Reinar. 34, 1189–1196 (2000).

Artículo Google Académico

Song, L., Pang, S., Longley, I., Olivares, G. & Sarrafzadeh, A. La predicción espacio-temporal pm 2.5 por datos espaciales asistida por regresión de vector de soporte incremental. En 2014 Conferencia Internacional Conjunta sobre Redes Neuronales (ijcnn) 623–630 (IEEE, 2014).

Wang, Y., Wang, H., Chang, S. & Avram, A. Predicción de la concentración diaria de pm 2.5 en China usando ecuaciones diferenciales parciales. PLoS One 13, e0197666 (2018).

Artículo Google Académico

Qin, D. et al. Un novedoso esquema combinado de predicción basado en cnn y lstm para la concentración urbana de pm 2.5. Acceso IEEE 7, 20050–20059 (2019).

Artículo Google Académico

Liu, T. et al. Impacto estacional de la quema regional de biomasa al aire libre en la contaminación del aire en tres ciudades indias: Delhi, Bengaluru y Pune. atmósfera Reinar. 172, 83–92 (2018).

Artículo Google Académico

Chambliss, SE y col. Disparidades raciales y étnicas a escala local y regional en la contaminación del aire determinadas por monitoreo móvil a largo plazo. proc. Academia Nacional. ciencia EE. UU. 118, e2109249118 (2021).

Artículo Google Académico

Liang, Y. et al. Impactos del humo de incendios forestales en la calidad del aire interior evaluados utilizando datos de colaboración colectiva en California. proc. Academia Nacional. ciencia EE. UU. 118, e2106478118 (2021).

Artículo Google Académico

Ferraro, PJ & Agrawal, A. Síntesis de evidencia en la ciencia de la sustentabilidad a través de experimentos armonizados: Monitoreo comunitario en recursos comunes. proc. Academia Nacional. ciencia EE. UU. 118, e2106489118 (2021).

Ludescher, J. et al. Pronóstico basado en redes de fenómenos climáticos. proc. Academia Nacional. ciencia USA 118, e1922872118 (2021).

Artículo Google Académico

Clements, AL et al. Herramientas de bajo costo para monitorear la calidad del aire: de la investigación a la práctica (un resumen del taller). Sensores 17, 2478 (2017).

Artículo Google Académico

Lin, C. et al. Evaluación y calibración de sensores de gas portátiles aeroqual serie 500 para una medición precisa del ozono ambiental y el dióxido de nitrógeno. atmósfera Reinar. 100, 111–116 (2015).

Artículo Google Académico

Shusterman, AA et al. La red de observación de co 2 atmosférico de Berkeley: Evaluación inicial. atmósfera química física 16, 13449–13463 (2016).

Artículo Google Académico

Moltchanov, S. et al. Sobre la viabilidad de medir la contaminación del aire urbano mediante redes inalámbricas de sensores distribuidos. ciencia Entorno Total. 502, 537–547 (2015).

Artículo Google Académico

Sol, L. et al. Desarrollo y aplicación de una red de sensores de aire de próxima generación para el monitoreo de la calidad del aire del maratón de Hong Kong 2015. Sensores 16, 211 (2016).

Artículo Google Académico

Tsujita, W., Yoshino, A., Ishida, H. & Moriizumi, T. Red de sensores de gas para el monitoreo de la contaminación del aire. Sensores Actuadores B: Chem. 110, 304–311 (2005).

Artículo Google Académico

Gao, M., Cao, J. & Seto, E. Una red distribuida de sensores de lectura continua de bajo costo para medir variaciones espaciotemporales de pm2. 5 en Xi'an, China. Reinar. Contaminación 199, 56–65 (2015).

Artículo Google Académico

Xie, X. et al. Una revisión de los métodos de evaluación de exposición y monitoreo de la contaminación del aire urbano. Internet de ISPRS J. Geo-Informe. 6, 389 (2017).

Artículo Google Académico

Jerrett, M. et al. Una revisión y evaluación de los modelos de exposición a la contaminación del aire intraurbano. J. Exposición Sci. Reinar. Epidemiol. 15, 185 (2005).

Artículo Google Académico

Sí, C. et al. Uso de imágenes satelitales disponibles públicamente y aprendizaje profundo para comprender el bienestar económico en África. Nat. común 11, 1–11 (2020).

Artículo Google Académico

Agencia de Protección Ambiental de EE. UU., Oficina de Normas y Planificación de la Calidad del Aire. División de Evaluación de la Calidad del Aire, Research Triangle Park, NC (2021).

Tecnologías, K. Huevo láser. kaiterra.com (2022).

Harigovind, A. El comité de gestión del polvo recomienda monitores de calidad del aire en todos los grandes sitios de construcción en Delhi. https://indianexpress.com/article/cities/delhi/dust-management-committee-recommends-air-quality-monitors-at-large-delhi-construction-sites-7437599/ (2021).

Somvanshi, A. Calidad del aire y juegos numéricos de Delhi. https://www.downtoearth.org.in/blog/air/delhi-s-air-quality-and-number-games-76214 (2021).

Qian, H. et al. Reducción de la contaminación del aire y co-beneficios climáticos en las industrias de China. Nat. Sostener. 4, 417–425 (2021).

Artículo Google Académico

Tibrewal, K. & Venkataraman, C. Co-beneficios climáticos de la política de calidad del aire y energía limpia en India. Nat. Sostener. 4, 305–313 (2021).

Artículo Google Académico

Johnson, C. Cómo kaiterra garantiza que los dispositivos sensedge sean precisos y estén correctamente calibrados. https://learn.kaiterra.com/en/resources/how-sensedge-devices-are-accurate-and-correctly-calibrated (2022).

Technologies, K. ¿Es necesario recalibrar el huevo láser? https://support.kaiterra.com/does-the-laser-egg-need-to-be-recalibrated (2022).

Gilmer, J., Schoenholz, SS, Riley, PF, Vinyals, O. & Dahl, GE Paso de mensajes neuronales para la química cuántica. Actas de la 34.ª Conferencia Internacional sobre Aprendizaje Automático (ICML). vol. 70, 1263–1272 (2017).

Iyer, SR, An, U. y Subramanian, L. Pronóstico de patrones de congestión de tráfico dispersos utilizando rnns de paso de mensajes. Conferencia Internacional IEEE sobre Acústica, Habla y Procesamiento de Señales (ICASSP). 3772–3776 (2020).

Kingma, DP & Ba, J. Adam: Un método para la optimización estocástica. Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR). (2015).

Wang, M. et al. Biblioteca de gráficos profundos: un paquete de alto rendimiento centrado en gráficos para redes neuronales gráficas. Preimpresión en https://arxiv.org/abs/1909.01315 (2019).

Paszke, A. et al. H. Advances in Neural Information Processing Systems 32 (eds. Wallach, H., Larochelle, H., Beygelzimer, A., d'Alché-Buc, F., Fox, E. y Garnett, R.) 8024–8035 (Curran Associates, Inc., 2019).

Consejo Central de Control de la Contaminación (CPCB). Sala de control central para la gestión de la calidad del aire: toda la India. https://app.cpcbccr.com/ccr/#/caaqm-dashboard-all/caaqm-landing/caaqm-comparison-data (2022).

Descargar referencias

El trabajo realizado por los autores Shiva Iyer, Ananth Balashankar y Lakshminarayanan Subramanian en este documento fue financiado por afiliados industriales en el grupo de investigación NYUWIRELESS (https://www.nyuwireless.com), que también financió a Shiva Iyer en parte. como los sensores de calidad del aire utilizados en el estudio. Shiva también fue financiada en parte por una subvención de NSF (número de premio OAC-2004572) titulada "Un marco basado en datos para la representación de ondas de gravedad a escala de subcuadrícula para mejorar la predicción climática". El Sr. Balashankar es un Ph.D. estudiante en la Universidad de Nueva York, y también está financiado en parte por el Programa de asesoramiento de investigación para estudiantes de Google. Agradecemos nuestra colaboración con Kaiterra por su esfuerzo en el desarrollo e instalación de los sensores de bajo costo. Reconocemos la disponibilidad de datos de CPCB en su portal público. También reconocemos las contribuciones de Ulzee An, ex estudiante de maestría, en la escritura de código para modelos básicos más antiguos. Todas las opiniones, hallazgos y conclusiones o recomendaciones expresadas en este material pertenecen al autor o autores y no reflejan necesariamente los puntos de vista de NYUWIRELESS o Kaiterra.

Departamento de Ciencias de la Computación, Universidad de Nueva York, Nueva York, NY, EE. UU.

Shiva R. Iyer, Ananth Balashankar y Lakshminarayanan Subramanian

Centro Suizo de Ciencia de Datos, ETH Zurich, Zurich, Suiza

Guillermo H. Aeberhard

Universidad de Columbia, Nueva York, NY, EE. UU.

Sujoy Bhattacharyya

Evidencia para el diseño de políticas (EPoD) en el Instituto de Investigación y Gestión Financiera (IFMR), Nueva Delhi, Nueva Delhi, India

Sujoy Bhattacharyya y Giuditta Rusconi

Secretaría de Estado de Educación, Investigación e Innovación (SERI), Berna, Suiza

judith rusconi

Kai Air Monitoring Pvt Ltd, Gautam Buddha Nagar, UP, India

Lejo Jose & Nita Soans

Departamento de Economía, Universidad de Chicago, Chicago, IL, EE. UU.

Anant Sudarshan

Departamento de Economía, Universidad de Yale, New Haven, CT, EE. UU.

rohini pande

También puede buscar este autor en PubMed Google Scholar

SI, AS, RP y LS contribuyeron a la conceptualización y el diseño del problema. SI, AB, WA y LS contribuyeron a los modelos espacio-temporales. SI, AB y WA contribuyeron con el código, el análisis de datos y las visualizaciones. SB y GR contribuyeron al despliegue de la red de sensores y los esfuerzos de recopilación de datos en Delhi. La guía de RPSI, AB, WA, RP, AS y LS ayudó a escribir y editar varias secciones del documento.

Correspondencia a Lakshminarayanan Subramanian.

El Prof. Subramanian no declara intereses no financieros en competencia, pero sí los siguientes intereses financieros en competencia: El Prof. Subramanian es cofundador de Entrupy Inc, Velai Inc y Gaius Networks Inc y se ha desempeñado como consultor para el Banco Mundial y el Laboratorio de Gobernanza . El Dr. Subramanian informa que Velai Inc trabaja ampliamente en el área de modelos predictivos socioeconómicos. Todos los demás autores declaran no tener intereses en competencia.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Iyer, SR, Balashankar, A., Aeberhard, WH et al. Modelado de mapas de contaminación espacio-temporal de granularidad fina con sensores de bajo costo. npj Clima Atmos Sci 5, 76 (2022). https://doi.org/10.1038/s41612-022-00293-z

Descargar cita

Recibido: 30 de diciembre de 2021

Aceptado: 30 de agosto de 2022

Publicado: 12 de octubre de 2022

DOI: https://doi.org/10.1038/s41612-022-00293-z

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt