دانلود مقاله ISI انگلیسی شماره 89268
ترجمه فارسی عنوان مقاله

اسکن خودکار داده ها برای شبکه های متراکم از ابزارهای ارزان قیمت هوا: تشخیص و تمایز خطاهای ابزار و ناهنجاری های محیطی محلی به منطقه ای

عنوان انگلیسی
Automated data scanning for dense networks of low-cost air quality instruments: Detection and differentiation of instrumental error and local to regional scale environmental abnormalities
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
89268 2018 17 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Environmental Modelling & Software, Volume 101, March 2018, Pages 34-50

ترجمه کلمات کلیدی
تشخیص تغییر نقطه، چند رگرسیون خطی، شبکه های سنسور، قابلیت اطمینان داده ها،
کلمات کلیدی انگلیسی
Change-point detection; Linear multi-regression; Sensor networks; Data reliability;
ترجمه چکیده
پیشرفت های اخیر در ابزار اندازه گیری کم کیفیت هوا باعث می شود که شبکه های متراکم حسگر امکان پذیر باشد. با این حال، حجم برش داده ها از این شبکه ها به این معنی است که روش های سنتی کنترل کیفیت داده ها و تجزیه و تحلیل داده ها دیگر قابل اجرا نیستند. ما یک رویه اسکن داده ای در زمان واقعی را پیشنهاد می کنیم که متغیرهای محلی و منطقه ای را در مجموعه داده ها تشخیص می دهد. این می تواند برای جداسازی اشتباهات ناشی از سوء عملکرد ابزار یا کالیبراسیون از تغییرات طبیعی (محیط زیست) منطقه ای در غلظت محیط استفاده شود. مطالعه موردی ما اطلاعات ماهانه ساعات روزانه ازن را از تگزاس و از دو شبکه در ونکوور به دست آورد. ما از داده های 7 و 28 روزه برای راه اندازی الگوریتم با تغییرات شبیه سازی شده و واقعی ابزار استفاده کردیم. خروجی الگوریتم را می توان بعنوان بخشی از یک برنامه نگهداری محدود منابع برای شبکه های حسگر استفاده کرد و برای درک فرآیندهای کیفیت هوا و ارتباط آنها با داده های محیط زیست و بهداشت عمومی مورد استفاده قرار گیرد.
پیش نمایش مقاله
پیش نمایش مقاله  اسکن خودکار داده ها برای شبکه های متراکم از ابزارهای ارزان قیمت هوا: تشخیص و تمایز خطاهای ابزار و ناهنجاری های محیطی محلی به منطقه ای

چکیده انگلیسی

Recent improvements in low-cost air quality instrumentation make deployment of dense networks of sensors possible. However, the shear volume of data from these networks means that traditional methods for data quality control and data analysis are no longer viable. We propose a real-time data scanning routine that detects local and regional variability within the data sets. This can be used to differentiate errors resulting from instrument malfunction or calibration drifts from natural (environmentally driven) regional changes in ambient concentrations. Our case study considered hourly-averaged ozone data from Texas and from two networks in Vancouver. We used 7 and 28 days of data for the algorithm initialisation with simulated and real instrumental changes. The algorithm output can be used as part of a limited resource maintenance schedule for sensor networks, and to improve understanding of air quality processes and their relation to environmental and public health data.