Μεθοδολογίες ανάλυσης χώρο/χρονικών δεδομένων για την υποστήριξη αποφάσεων σε εφαρμογές έξυπνων πόλεων

Abstract

This doctoral thesis explores spatiotemporal data analysis methodologies with the aim of supporting decision-making in smart city applications, focusing on air pollution monitoring through low-cost sensor networks. In the context of modern urban systems, the continuous production of environmental data from Internet of Things technologies creates new possibilities for monitoring in near real-time, but also highlights critical issues regarding the quality, reliability and interpretation of the measurements produced. The research develops a comprehensive methodological framework for the management and analysis of spatiotemporal air pollution data in the wider Athens area, utilizing measurements from PurpleAir sensors and complementary meteorological data. The proposed framework includes pre-processing and quality control stages, filtering errors and duplicate records, as well as outlier detection using statistical and spatiotemporal techniques, such as the Interquartile Range (IQR), the GESD method, and also local and global outlier detection approaches. A methodology for identifying air pollution events is developed, based on their duration, intensity and spatial dimension. Emphasis is given to spatial interpolation and visualization of the data, through techniques such as IDW, space-time cube and hotspot analysis, to highlight spatial patterns, changes and areas of increased burden. The results demonstrate that systematic detection and management of extreme values significantly improve the reliability of the analyses, while the combined use of statistical, spatial and temporal approaches allows for more accurate identification of real pollution events versus technical sensor errors. Overall, the thesis contributes to bridging the gap between "noisy" sensor data and usable knowledge, proposing an analytical framework that can enhance environmental monitoring, early warning systems and evidence-based decision-making for the sustainability and resilience of smart cities.

Η παρούσα διδακτορική διατριβή διερευνά μεθοδολογίες ανάλυσης χωροχρονικών δεδομένων με στόχο την υποστήριξη της λήψης αποφάσεων σε εφαρμογές έξυπνων πόλεων, εστιάζοντας ειδικότερα στην παρακολούθηση της ατμοσφαιρικής ρύπανσης μέσω δικτύων αισθητήρων χαμηλού κόστους. Στο πλαίσιο των σύγχρονων αστικών συστημάτων, η συνεχής παραγωγή περιβαλλοντικών δεδομένων από τεχνολογίες Internet of Things δημιουργεί νέες δυνατότητες για παρακολούθηση σε σχεδόν πραγματικό χρόνο, αλλά ταυτόχρονα αναδεικνύει κρίσιμα ζητήματα σχετικά με την ποιότητα, την αξιοπιστία και την ερμηνεία των παραγόμενων μετρήσεων. Η έρευνα αναπτύσσει ένα ολοκληρωμένο μεθοδολογικό πλαίσιο για τη διαχείριση και ανάλυση χωροχρονικών δεδομένων ατμοσφαιρικής ρύπανσης στην ευρύτερη περιοχή της Αθήνας, αξιοποιώντας μετρήσεις από αισθητήρες PurpleAir και συμπληρωματικά μετεωρολογικά δεδομένα. Το προτεινόμενο πλαίσιο περιλαμβάνει στάδια προεπεξεργασίας και ποιοτικού ελέγχου, φιλτραρίσματος σφαλμάτων και διπλότυπων εγγραφών, καθώς και ανίχνευσης ακραίων τιμών με στατιστικές και χωροχρονικές τεχνικές, όπως το Ενδοτεταρτημοριακό Εύρος (IQR), η μέθοδος GESD, αλλά και προσεγγίσεις τοπικής και καθολικής ανίχνευσης ακραίων τιμών. Παράλληλα, αναπτύσσεται μεθοδολογία εντοπισμού επεισοδίων ατμοσφαιρικής ρύπανσης, με βάση τη χρονική διάρκεια, την ένταση και τη χωρική τους διάσταση. Ιδιαίτερη έμφαση δίνεται στη χωρική παρεμβολή και οπτικοποίηση των δεδομένων, μέσω τεχνικών όπως η IDW, το space-time cube και η ανάλυση hotspot, με στόχο την ανάδειξη χωρικών προτύπων, μεταβολών και περιοχών αυξημένης επιβάρυνσης. Τα αποτελέσματα καταδεικνύουν ότι η συστηματική ανίχνευση και διαχείριση ακραίων τιμών βελτιώνει σημαντικά την αξιοπιστία των αναλύσεων, ενώ η συνδυαστική αξιοποίηση στατιστικών, χωρικών και χρονικών προσεγγίσεων επιτρέπει την ακριβέστερη αναγνώριση πραγματικών επεισοδίων ρύπανσης έναντι τεχνικών σφαλμάτων αισθητήρων. Συνολικά, η διατριβή συμβάλλει στη γεφύρωση του χάσματος μεταξύ «θορυβωδών» δεδομένων αισθητήρων και αξιοποιήσιμης γνώσης, προτείνοντας ένα αναλυτικό πλαίσιο που μπορεί να ενισχύσει την περιβαλλοντική παρακολούθηση, τα συστήματα έγκαιρης προειδοποίησης και τη λήψη τεκμηριωμένων αποφάσεων για τη βιωσιμότητα και την ανθεκτικότητα των έξυπνων πόλεων.