Краудсорсинг данных о загрязнении может улучшить общественное здоровье

Исследование показало, что сеть недорогих датчиков, размещенных в частных домах, может дать более детальную картину локального загрязнения воздуха, особенно в районах с ограниченными данными о качестве воздуха. Это особенно актуально для таких регионов, как Калифорния, где качество воздуха регулярно ухудшается из-за дыма от лесных пожаров.

Хотя такие датчики вряд ли заменят официальные сети мониторинга, их доступность позволяет широко распределять их, а частота измерений (до одного раза в минуту) дает детализированные данные, которые могут быть упущены регуляторными сетями. Исследователи из Южного побережья Агентства по контролю качества воздуха (AQMD) распределили 400 датчиков по домохозяйствам в 14 сообществах Калифорнии и собирали данные более года в реальном времени через домашние Wi-Fi-сети.

Собранные за год данные позволили выявить сезонные и суточные тенденции загрязнения. Например, уровень твердых частиц (PM) обычно был выше ночью зимой, вероятно, из-за температурных инверсий, а пики загрязнения приходились на будние дни из-за интенсивного движения в час пик. Такие датчики особенно хорошо подходят для отслеживания выбросов от лесных пожаров, предоставляя качественную картину распространения дымовых шлейфов.

«Календарные графики — это визуализация, которая, как мы обнаружили, нашла отклик у членов сообщества, — отметила специалист по качеству воздуха Эшли Коллиер-Оксандейл. — Это кажется очень интуитивным способом для них взаимодействовать с данными». Участники исследования использовали локальные данные для принятия повседневных решений, например, о том, где заниматься спортом, или для экспериментов с настройками домашних воздушных фильтров.

Однако у таких датчиков есть ограничения: они чувствительны к температуре, влажности и сильному ветру, что может искажать показания. Кроме того, разнообразие коммерчески доступных моделей с разными характеристиками усложняет унификацию данных. Несмотря на это, предварительные результаты исследования обнадеживают, демонстрируя ценность «гиперлокальных» данных для сообществ.