Hdr Année : 2024

Contributions to Wireless Sensor Networks for Air Quality Monitoring

Résumé

In this manuscript, I provide a summary of the main research work I have carried out over the last ten years. During this period, I have been actively engaged as an associate professor at INSA-Lyon, a member of the CITI laboratory, the INRIA Agora team, and the Telecommunications teaching department. The core focus of my research, as detailed in this manuscript, revolves around the design and evaluation of novel solutions for Wireless Sensor Networks to efficiently monitor physical phenomena. I have addressed several scientific and technical issues by adopting a global methodology combining theoretical solutions and experimental developments. Although our solutions can be easily adapted to different applications, the focus was on air quality monitoring, a major societal challenge where new low-cost sensing technologies offer a significant advantage over traditional solutions. This manuscript focuses on our main contributions in this area of low-cost sensor networks for environmental monitoring. It is structured around three axes: i) static sensor networks for air quality monitoring in cities and on industrial sites; ii) participatory sensing of air quality and Urban Heat Islands; and iii) UAV fleets for monitoring highly dynamic phenomena. The common thread running through all our solutions is that they take into account both the physical domain knowledge and the characteristics of low-cost sensors such as the limited and heterogeneous measurement accuracy. In the first axis, detailed across three chapters, three use cases are progressively addressed: pollution threshold crossing detection, air quality mapping by interpolation, and air quality mapping by Data Assimilation into physical model-based simulations. For these three applications, efficient models for optimizing low-cost sensor placement and scheduling sensor activities have been proposed. Our models can be considered from two perspectives: i) minimizing the deployment/scheduling cost while meeting the constraints of the desired estimation/detection quality, or ii) maximizing the estimation/detection quality under the constraints of the deployment/scheduling cost. The main novelties of our solutions lie in considering the dynamics of pollution dispersion and in designing efficient solutions in terms of execution time. This is achieved through the introduction of new modeling ideas and the proposal of efficient heuristics. Real-world data from the cities of Lyon, London and Paris were used to validate and evaluate our models. In addition to our theoretical solutions, we have designed and implemented several air quality monitoring platforms. Our systems integrate different types of low-cost sensors and use LoRa and LoRaWAN communication technologies. They have progressively gained in modularity, flexibility, and energy efficiency. We performed multiple deployments in urban areas as well as onshore and offshore industrial sites. This enabled us to assess the feasibility and the benefits of these technologies while deriving real-world scientific findings and drawing multiple engineering insights. \newpage In the second axis, which I present in two chapters, we delved into participatory citizen sensing, considering both air quality and Urban Heat Islands. In this manuscript, we focus on two key aspects: i) the design of measurement systems adapted to our application, and ii) the evaluation of solutions for the spatial analysis of data collected by our systems. Regarding the first experimental aspect, we have designed and developed multi-sensor handheld devices. We also validated the measurements of our sensors, which were subsequently used in multiple measurement campaigns in the city of Lyon. On the second aspect of data analysis, we first compared Machine Learning solutions for spatial mapping based on real data collected during our measurement campaigns. Using these same measurements, we studied the trade-off between sensing frequency, energy consumption and mapping quality. To take this a step further, we proposed a generic solution for comparing and evaluating the performance of statistical regression and Data Assimilation methods. Our solution takes into account the intrinsic characteristics of low-cost sensor networks, such as the high density and the limited and heterogeneous accuracy of measurements. In the third axis, which I summarize in one chapter, we focused on UAV fleets for monitoring highly dynamic pollution plumes. To this end, we proposed a global approach that combines three elements with a feedback loop: i) a spatio-temporal concentration prediction and uncertainty estimation component; ii) a UAV path planning component; and iii) a spatial fitting component that exploits collected data to correct pollution predictions. In this manuscript, we focus on the spatio-temporal prediction component, where we propose a Deep Learning architecture while integrating two uncertainty estimation methods. Our first solutions underwent validation using real-world data, showcasing the high performance of our proposed models based on the achieved results. Indeed, our models effectively capture the spatio-temporal evolution of pollution plumes without explicitly considering meteorological conditions. In the same vein, we also presented our initial experimental work on the design and development of a UAV network demonstrator for monitoring pollution plumes. I conclude this manuscript by discussing some personal feedback and setting out some future perspectives, categorized into four parts. The first group of perspectives aims to strengthen the link between physical models and optimization/Machine Learning through various works in progress. The second group addresses other issues related to UAV networks for pollution plume monitoring. The aim is to finalize our holistic approach and implement it on the real demonstrator. While these two groups of perspectives are a continuation of previous work, the last two groups that I hope to address in the medium and long term will tackle the energy efficiency of Deep Learning models, as well as the reliability and security of data in sensor networks.
Dans ce document, je présente un résumé des principaux travaux de recherche que j'ai menés au cours des dix dernières années. Durant cette période, j’ai oeuvré comme maître de conférences à l'INSA de Lyon, membre du laboratoire CITI, de l'équipe INRIA Agora et du département d'enseignement Télécommunications. Les travaux présentés dans ce document portent principalement sur la conception et l'évaluation de solutions pour les réseaux de capteurs sans fil, destinés à la surveillance de phénomènes physiques. J'ai traité dans ce cadre différents verrous scientifiques et techniques en adoptant une approche globale combinant des solutions théoriques et des développements expérimentaux. Bien que nos solutions puissent être facilement adaptées à différentes applications, l'accent a été mis sur la surveillance de la qualité de l'air. Ce dernier constitue un enjeu sociétal majeur où les nouvelles technologies de mesure à bas coût offrent un avantage significatif par rapport aux solutions traditionnelles. Ce document se focalise sur nos principales contributions dans ce cadre de réseaux de capteurs à bas coût pour la mesure environnementale. Il est organisé en trois axes: i) les réseaux de capteurs fixes pour la surveillance de la qualité de l'air en villes et sur sites industriels; ii) la mesure citoyenne participative de la qualité de l'air et des îlots de chaleur urbains; et iii) les réseaux de drones pour la surveillance de phénomènes hautement dynamiques. Le fil conducteur commun de nos solutions est qu'elles tiennent compte à la fois de la compréhension des phénomènes physiques et des caractéristiques des capteurs à faible coût, telles que l'exactitude limitée et hétérogène des mesures. Dans le premier axe, que je présente en trois chapitres, nous avons progressivement abordé trois cas d'usage: la détection de dépassement de seuil de pollution, la cartographie de la qualité de l'air par interpolation et la cartographie de la qualité de l'air par assimilation des données dans des simulations physiques. Pour ces trois applications, nous avons proposé des modèles efficaces pour optimiser le placement des capteurs à bas coût et l'ordonnancement des activités de capteurs. Nos modèles peuvent être considérés sous deux angles : i) minimiser le coût de déploiement/ordonnancement sous contraintes de qualité d'estimation/détection souhaitée, ou ii) maximiser la qualité d'estimation/détection sous contraintes de coût de déploiement/ordonnancement. Les principales nouveautés de nos solutions résident dans la prise en compte de la dynamique de dispersion de la pollution et dans la conception de solutions efficaces en termes de temps d'exécution grâce à de nouvelles idées de modélisation et à la proposition d'heuristiques efficaces. Des données réelles provenant des villes de Lyon, Londres et Paris ont été utilisées pour valider et évaluer nos modèles. Au-delà de nos solutions théoriques, nous avons conçu et mis en \oe{}uvre plusieurs plateformes de surveillance de la qualité de l'air. Nos plateformes, intégrant différents types de capteurs à bas coût et utilisant les technologies de communication LoRa et LoRaWAN, ont progressivement gagné en modularité, en flexibilité et en efficacité énergétique. Nous avons mené à bien plusieurs déploiements de ces plateformes dans des zones urbaines ainsi que sur des sites industriels "onshore" et "offshore". Cela nous a permis de valider la faisabilité et l'intérêt de ces technologies tout en tirant des conclusions et des recommandations concernant le déploiement des réseaux de capteurs à bas coût. Dans le deuxième axe, que je présente en deux chapitres, nous nous sommes intéressés à la mesure citoyenne participative tout en considérant à la fois la qualité de l'air et les îlots de chaleur urbains. Nous nous sommes concentrés dans ce document sur deux parties clés: i) la conception de systèmes de mesure adaptés à notre application et ii) l'évaluation de solutions d'analyse spatiale de données collectées par nos systèmes. Sur le premier volet expérimental, nous avons conçu et développé des dispositifs portatifs multi-capteurs. Nous avons également validé les mesures de nos capteurs puis les avons utilisés dans de multiples campagnes de mesures citoyennes dans la ville de Lyon. Sur le deuxième volet d'analyse de données, nous avons d'abord comparé des solutions d'apprentissage automatique pour la cartographie spatiale en nous basant sur les données réelles collectées durant nos campagnes de mesure. En exploitant ces mêmes mesures, nous avons étudié le compromis entre les fréquences de mesures, la consommation d'énergie et la qualité de la cartographie. Afin d'aller plus loin, nous avons proposé une solution générique permettant de comparer et évaluer les performances des méthodes de régression et d'assimilation de données. Notre solution prend en compte les caractéristiques intrinsèques des réseaux de capteurs à bas coût, telles que la densité élevée et l'exactitude limitée et hétérogène des mesures. Dans le troisième axe, que je résume en un chapitre, nous nous sommes intéressés aux réseaux de drones pour la surveillance des panaches de pollution fortement dynamiques. Dans cette optique, nous avons proposé une approche globale qui combine trois éléments en y intégrant une boucle de rétroaction : i) une composante de prédiction spatio-temporelle de concentrations et d'estimation des incertitudes; ii) une composante de planification de trajectoires des drones; et iii) une composante d'ajustement spatial qui exploite les données collectées pour corriger les prédictions de pollution. Dans ce document, nous nous sommes concentrés sur la composante de prédiction spatio-temporelle où nous avons proposé une architecture d'apprentissage profond tout en y intégrant deux méthodes d'estimation de l'incertitude. Nos premières solutions sont validées en considérant des données réelles et les résultats obtenus ont démontré les bonnes performances de nos modèles. En effet, ces derniers arrivent à capturer de manière efficace l'évolution spatio-temporelle des panaches de pollution sans considérer explicitement les conditions météorologiques. Dans ce même axe, nous avons aussi présenté nos premiers travaux expérimentaux en lien avec la conception et le développement d'un démonstrateur de réseau de drones pour le suivi de panaches de pollution. Je finis ce document par discuter quelques retours personnels. Je dresse aussi des perspectives que je groupe en quatre parties. Le premier groupe de perspectives vise à renforcer le lien entre les modèles physiques et l'optimisation/l'apprentissage automatique à travers différents travaux en cours. Le deuxième groupe vise, quant à lui, d'autres verrous des réseaux de drones pour le suivi de panache, dans le but de finaliser notre approche holistique et de l'implémenter sur le démonstrateur réel. Alors que ces deux groupes de perspectives s'insèrent dans la continuité des travaux précédents, les deux derniers que je souhaite aborder à moyen et long termes s'attaquent à l'efficacité énergétique des modèles d'apprentissage profond et à la fiabilité et la sécurité des données dans les réseaux de capteurs.
Fichier non déposé

Dates et versions

tel-04777652 , version 1 (12-11-2024)

Identifiants

  • HAL Id : tel-04777652 , version 1

Citer

Walid Bechkit. Contributions to Wireless Sensor Networks for Air Quality Monitoring. Emerging Technologies [cs.ET]. INSA Lyon, 2024. ⟨tel-04777652⟩
22 Consultations
0 Téléchargements

Partager

More