Metodologıa para la Monitorizacion de Ozonoen Valencia mediante Sensores de gama baja

Oscar Alvear, Carlos T. Calafate, Juan-Carlos Cano, Pietro Manzoni, EnriqueHernandez-Orallo, Jorge Herrera-Tapia1

Resumen— La monitorizacion de la contaminaciondel medio ambiente es una tarea muy importante porlas repercusiones que este fenomeno conlleva. Sin em-bargo, esta medicion es un proceso difıcil y costoso yaque, por una parte, se necesitan laboratorios especiali-zados con ambientes controlados para calibrar los sen-sores y ajustar sus lecturas a unidades que indiquenel nivel de contaminacion, y por otra, las medicionesdependen mucho del tipo de sensor. Los sensores degama alta son mas costosos pero de mucha precision,y los sensores de gama baja, mas asequibles, tienenmenos precision y gran oscilacion entre lecturas.

En este trabajo presentamos una metodologıa pa-ra la medicion de datos de contaminacion de ozonocon sensores moviles de gama baja, utilizando datoshistoricos y la infraestructura publica existente paracalibrar las lecturas y ajustar ası las mediciones a losvalores reales. Esta metodologıa se desarrolla en tresfases: (i) reduccion de la oscilacion de la lectura dedatos, (ii) calculo de la ecuacion de ajuste de datos,(iii) y analisis de la variacion espacio-temporal, pa-ra reducir la variacion en el tiempo producida por elproceso de captura de datos con sensores moviles.

El proceso propuesto permite realizar una moni-torizacion de la contaminacion con sensores de gamabaja, sin la necesidad de hardware caro o laboratoriosespecializados para calibrarlos.

Palabras clave—Monitorizacion, Calibracion de Sen-sores, Ozono

I. Introduccion

LA contaminacion atmosferica es uno de los as-pectos mas importantes a tener en cuenta hoy

en dıa, porque afecta la calidad de vida de las perso-nas. Los principales problemas que puede ocasionarson el cambio climatico, las afecciones para la salud,problemas en el sector agropecuario, entre otros.

La contaminacion depende de la emision a laatmosfera de gases o partıculas que producen unaalteracion de la misma, y pueden proceder de va-rias fuentes como procesos industriales que utilizancombustibles fosiles, parques automotrices de gran-des ciudades, o de fuentes naturales como erupcionesvolcanicas.

Los principales agentes contaminantes pueden serde dos tipos: primarios, cuando son emitidos directa-mente a la atmosfera como CO2 o el dioxido de azu-fre, y secundarios, cuando se producen por procesosquımicos entre los agentes contaminantes primariosy algunos elementos del medio ambiente. Entre estosultimos podemos encontrar el ozono, que se forma apartir de oxidos de nitrogeno cuando entra en con-tacto con la luz solar, y el dioxido de nitrogeno, el

1Departamento de Informatica de Sistemasy Computadores (DISCA), Universitat Po-litecnica de Valencia, e-mail: osal@doctor.upv.es,{calafate,jucano,pmanzoni,ehernandez}@disca.upv.es,jorherta@doctor.upv.es

Fig. 1: Indice de Calidad del Aire.

cual se forma a partir del monoxido de nitrogeno,entre otros.

Uno de los agentes contaminantes nocivos para lasalud es el ozono troposferico, es decir, el ozono queesta a nivel del suelo, porque este puede causar pro-blemas respiratorios [1] como irritacion, ataques deasma, problemas cardiovasculares [2], e incluso algu-nos estudios sugieren relaciones con algunos tipos decancer.

El ozono (O3) es un contaminante secundario yse genera por la reaccion quımica entre la luz solar,oxigeno (O2), compuestos organicos volatiles (VOC)y oxidos de nitrogeno (NOx) presentes en el aire.

El grado de incidencia del ozono en la salud delas personas es variable, y es mayor en grupos vul-nerables como ninos, ancianos y personas con pro-blemas respiratorios. Para tener una referencia delpeligro asociado a los diferentes niveles del ozonoen la atmosfera, la Agencia de Proteccion Ambiental(EPA) de los Estados Unidos ha definido un ındicede calidad del aire [3], como muestra la figura 1, don-de se especifican los rangos de valores de ozono paravarios niveles de calidad del aire, los cuales varıanentre bueno y peligroso.

La mayorıa de las ciudades europeas tienen ins-talados sensores para controlar su evolucion de losniveles de ozono a gran escala, ofreciendo un nivelgeneral para una ciudad. Sin embargo, para teneruna mayor granularidad de los datos y medir varia-ciones dentro de la ciudad, serıa necesario disponerde una gran cantidad de estos sensores.

Los equipos tradicionales para medir la contamina-

VI EDICIÓN DE LAS JORNADAS DE COMPUTACIÓN EMPOTRADA, JCE 2015 57

Fig. 2: Estacion de monitorizacion ambiental de laUniversidad Politecnica de Valencia.

cion ambiental son costosos y de gran tamano, por loque se necesita disponer de una infraestructura ade-cuadas para instalarlos, como se puede observar enla figura 2. Estos equipos conllevan muchos gastos demantenimiento y son de difıcil instalacion.

Una alternativa para medir la contaminacion am-biental es mediante sensores moviles, de menor coste,los cuales, ademas, pueden ser instalados en vehıcu-los para monitorizar diferentes areas de la ciudad,aunque en distintos espacios de tiempo. El proble-ma de los sensores moviles de gama baja es que tie-nen menor precision que los sensores de gama alta,y necesitan ser calibrados regularmente ya que lasmediciones varıan mucho dependiendo de las condi-ciones meteorologicas. El proceso de calibracion escomplicado y costoso, siendo necesarios laboratoriosespecializados para gestionar ambientes controladoscon diferentes niveles de contaminacion para ajustarlos valores de salida del sensor (como voltaje o resis-tencia, dependiendo del tipo de sensor) a los valoresreales de ozono.

Para abordar la problematica planteada se propo-ne una metodologıa para calibrar sensores de ozonode gama baja, sin la necesidad de laboratorios es-pecializados, utilizando datos historicos como refe-rencia para ajustar de las lecturas del sensor con losniveles de contaminacion real.

En las siguientes secciones se describira el trabajorealizado encaminado a la propuesta de dicha me-todologıa para solventar los problemas expuestos. Seinicia con el analisis de los trabajos relacionados en laseccion II. La seccion III analiza los aspectos mas im-portantes en la monitorizacion de la contaminacion.En la seccion IV se analizaran los pasos realizadospara el proceso de toma de medidas; en concreto, enla seccion IV-A se analizaran los aspectos a tener encuenta para reducir la variabilidad de las lecturas, enla seccion IV-B se analizara como transformar las lec-turas del sensor de voltios a ppb (partes por billon)mediante regresion, y por ultimo, en la seccion IV-C,se analizara como reducir la variabilidad de los da-tos a lo largo del tiempo en una sesion de captura dedatos. En la seccion V se mostraran los datos obteni-dos y el analisis comparativo con los datos historicosdisponibles, para terminar con las conclusiones y tra-bajo futuro en la seccion VI.

Fig. 3: Ozono en Europa.

II. Trabajos Relacionados

Desde hace algunos anos, la monitorizacion delos parametros de contaminacion medioambiental esde primordial importancia tanto para organizacionesgubernamentales como para organizaciones ecologis-tas por la influencia que tiene en nuestras vidas.Existen varios instituciones a nivel mundial para

la monitorizacion de parametros medioambientales,como el Centro Tematico Europeo de la Contami-nacion del Aire y Mitigacion del Cambio Climatico[4], el cual reune a 14 organizaciones europeas parael analisis y la monitorizacion del cambio climati-co. En los Estados Unidos, la Agencia de ProteccionAmbiental [5] tambien realiza un seguimiento de laevolucion de la contaminacion ambiental.Existen muchos estudios que analizan los niveles

de ozono en ciudades como Quebec [6] o Toronto [7].Por otro lado, proyectos como [8] utilizan sensoresWaspmote instalados en buses de transporte publicopara medir la contaminacion ambiental en la ciudadde Belgrado, Serbia.En [9], se propone una red vehicular ad-hoc pa-

ra monitorizar diferentes parametros medioambien-tales, centrandose en el analisis de la tasa de envıode los datos y el mecanismo de transmision hacia elservidor para reducir el consumo de datos.En [10], se propone un sistema que permite moni-

torizar las concentraciones de PM2.5 (Partıculas ensuspension de menos de 2,5 micras) mediante crowd-sourcing, y que se centra en el analisis del disenomecanico del sensor para optimizar la recepcion delaire, ası como en tecnicas de fusion de datos paraanalizar los datos obtenidos. La calibracion de lossensores se realiza mediante el analisis de datos pro-ducidos en laboratorio con redes neuronales.En [11], se realiza el analisis de datos obtenidos

de diferentes fuentes, como niveles de trafico, con-diciones meteorologicas y contaminacion, utilizandodistintas tecnicas de BigData para inferir niveles decontaminacion ambiental con una mayor granulari-dad.En estos trabajos se realizan diferentes analisis con

los datos obtenidos por los sensores y/o la trasmision

58 JCE 2015

de los datos, pero no el proceso de captura de datosy, en la mayorıa, tampoco la calibracion de los sen-sores. En el caso de [10] la calibracion y ajuste delos sensores se realiza en el laboratorio, pero no seanaliza la variabilidad de los datos obtenidos.

III. Monitorizacion de la Contaminacion

La monitorizacion de la contaminacion es el pro-ceso por el cual se miden los niveles de contamina-cion de un elemento determinado en una determina-da zona mediante un sensor que tenga propiedadesreactivas hacia el agente contaminante. Los sensoresreaccionan variando de alguna manera sus propie-dades cuando entran en contacto con el elemento amonitorizar.

Los sensores deben cumplir ciertas caracterısticaspara ser considerados idoneos [12].

- Ser sensibles solamente a la propiedad medida.- No influir en la propiedad medida.- Tener una relacion directa con la propiedad me-

dida.Tıpicamente los sensores son de tipo (a) electrico,

cuando varıan su propiedades electricas como su re-sistencia o su voltaje; (b) optico, cuando varıan suspropiedades opticas; (c) quımico, cuando modificansus propiedades quımicas internas, en contacto conel elemento a medir.

Los sensores de ozono, en los que centraremosnuestro estudio, son tıpicamente electricos. Los sen-sores electricos pueden ser de dos tipos: (i) resistivos,cuando aumentan su resistencia al detectar mayorcantidad del elemento a monitorizar, o (ii) capaci-tivos, cuando aumentan su diferencia de voltaje aldetectar el elemento.

Los principales problemas de los sensores de gamabaja, son que tienen una gran fluctuacion entre me-diciones y no cumplen todas las propiedades de unbuen sensor, ya que sus mediciones se ven influencia-das por las condiciones meteorologicas existentes.

En este trabajo hemos utilizado sensores de gamabaja y bajo coste que se pueden conseguir facilmenteen el mercado. En particular se ha utilizado un sensorWaspmote Plug And Sense Smart Environment [13],ya que permite de una manera relativamente facilmedir diferentes parametros medioambientales.

A. Waspmote Plug And Sense

WaspMote Plug And Sense es un dispositivo desa-rrollado por la empresa Libelium. Esta basado enArduino y tiene librerıas desarrolladas para gestionardiferentes tipos de sensores, enlaces de comunicaciony trasmision de datos. Su entorno de programacion essimilar al de Arduino, y dispone de muchos ejemplosde uso. Este dispositivo, como se puede observar enla figura 4, es un elemento que permite implementarde forma flexible y sencilla redes de sensores. Dispo-ne de 6 puertos para diferentes tipos de sensores, yse puede configurar con una interfaz de comunicacionque puede ser ZigBee, Bluetooth, 3G o WiFI.

Libelium tiene varios tipos de sensores plug andsense, los cuales estan optimizados para diferentes

Fig. 4: Sensor Waspmote Plug and Sense.

tareas:- Smart Environment: Permite medir diferentes

elementos de contaminacion ambiental.- Smart Agriculture: Permite medir varios parame-

tros relacionados con la agricultura, como los estadosdel suelo, temperatura, etc.

- Smart Cities: Permite medir varios parametrospara las ciudades inteligentes como temperatura, hu-medad, luminosidad, etc.

- Smart Security: Permite medir varios parametrospara seguridad como deteccion de presencia, detec-cion de humo, etc.

- Smart Metering: Permite medir varios parame-tros relacionados con fluidos.

B. Sensor de ozono

Los sensores de ozono son de tipo electrico - resis-tivos, es decir, a mayores concentraciones de ozono,mayor resistividad del aire detectan. Los valores quese leen en el sensor son voltajes de salida, y se debentransformar en valores de resistencia con la siguienteformula.

Rs =Vc· Ri

Vout� Ri (1)

Siendo:Rs Resistencia de salida.Vc Voltaje de entrada.Ri Resistencia interna.Vout Voltaje de salida.

El sensor de ozono que se esta utilizando para eltrabajo desarrollado es el Ozone sensor probe (MiC-2610) que permite medir variaciones de ozono entre10ppb (partes por billon) hasta 1000ppb, con una re-sistencia que varıa entre 11k⌦ y 2M⌦. El voltaje deentrada para este sensor es de 2.5V. La resistencia in-terna se puede configurar con valores entre 1 y 100,y se ha trabajado con una resistencia de 10k⌦.

VI EDICIÓN DE LAS JORNADAS DE COMPUTACIÓN EMPOTRADA, JCE 2015 59

Fig. 5: Especificacion de sensor de ozono - Waspmote.

El comportamiento de la variacion de la resistenciacon respecto a la cantidad de ozono detectado tieneun comportamiento cuasi-lineal, como se puede ob-servar en la figura 5.

IV. Proceso de monitorizacion

El primer paso para monitorizar los parametrosmedioambientales es capturar los datos mediantesensores, pero este no es un proceso sencillo ya quese tienen que solventar muchos inconvenientes pararealizarlo de manera precisa y obtener datos fiablesde los niveles de contaminacion existente.

Se deben tener en cuenta varios aspectos:- La lectura de datos de salida del sensor tiene gran

variabilidad y oscila alrededor de los valores reales,por lo que se debe reducir esta oscilacion.

- Transformar las salidas del sensor en las unida-des respectivas para cada elemento contaminante. Eneste caso transformar la resistencia de salida en can-tidad de partıculas por billon (ppb).

- Al utilizar elementos moviles, se debe eliminar lavariacion producida en el tiempo.

A. Lectura de datos

En la lectura de datos se debe eliminar la osci-lacion de los datos obtenidos, y para este propositohemos realizado los siguiente pasos. En primer lugar,se obtiene el valor promedio de 25 lecturas (n = 25)con un intervalo entre cada lectura de 10ms.

Os =

nPi=1

Oi

n(2)

Siendo:Os Nivel de Ozono general en el sensor.Oi Nivel de Ozono obtenido del sensor.n Numero de mediciones.

A continuacion, como la oscilacion es todavıa muyalta, en el proceso de analisis de datos se aplica unfiltro paso bajo simple con un ↵ igual a 0.95 parareducir la variabilidad.

60

65

70

75

15:15 15:30 15:45 16:00 16:15 16:30 16:45Tiempo

O3

[p

pb

]

Ozono

Lectura

Filtrado

Fig. 6: Relacion entre los datos capturados y los datosfiltrados.

Oi = Or + ↵· (Oi�1 � Or) (3)

Donde:Oi Nivel de Ozono.Oi�1 Nivel del ozono de la medicion anterior.Or Nivel de ozono obtenido del sensor.↵ Coeficiente del filtro.

La figura 6 muestra la diferencia entre los valo-res de los niveles de ozono capturados y los valoresde los niveles de ozono despues de aplicarles el fil-tro paso-bajo. Se puede observar que la reduccion dela oscilacion es muy significativa y la variacion delas medidas sigue el comportamiento general de lavariacion.Al finalizar este proceso tenemos las mediciones

sin las oscilaciones introducidas en el momento de lamedicion.

B. Transformar salidas

El sensor Ozone sensor probe (MiC-2610) tiene co-mo salida la resistencia del aire producida por losniveles de ozono, con una relacion directamente pro-porcional, es decir, a mayor concentracion de ozono,mayor resistencia del aire mide dicho sensor.El ozono permite medir variaciones de ozono en-

tre 10ppb y 1000ppb, donde la resistencia varıa entre11k⌦ y 2M⌦ con un comportamiento cuasi-lineal, co-mo indica la tabla de referencia mostrada en la figura5.Las especificaciones del sensor estan realizadas a

una temperatura constante de 25 grados centıgradosy varıan dependiendo de las condiciones meteorologi-cas existentes.Para la calibracion del sensor se han realizado va-

rias mediciones en diferentes dıas, y con diferentescondiciones meteorologicas, obteniendose un rangoamplio de valores capturados. Estos datos se han re-lacionado con los datos obtenidos por la estacion demonitorizacion ubicada en la Universidad Politecnicade Valencia.

60 JCE 2015

TABLA I: Relacion entre lecturas del sensor y los valores de la estacion de monitorizacion.

Resistencia Temperatura Ozono Estacion Ozono Calculado

25.0 19.0 80 65.19

31.0 16.0 65 70.83

28.0 15.5 52 63.59

35.0 13.0 83 66.15

28.0 28.0 120 99.09

23.3 23.0 70 70.71

23.5 22.0 70 68.69

Con los datos obtenidos que se muestran en la Ta-bla I, y teniendo en cuenta que las lecturas tienenuna dependencia de los niveles de ozono y la tempe-ratura, se ha desarrollado una regresion polinomicade segundo grado en la que influye la temperatura yla resistencia obtenida por el sensor.

O = ↵ + �1t + �2r + �3r2 (4)

Donde:↵ Coeficiente.�1 Coeficiente de la temperatura.�2 Coeficiente de la lectura.�3 Coeficiente de la lectura al cuadrado.t Temperatura.r Lectura del sensor (Resistencia).O Ozono.

Los valores de los coeficientes de la regresion semuestran en la Tabla II.

TABLA II: Valores de los coeficientes de la regresionpara transformar las lecturas en ppb.

Coeficiente Valor

↵ -156.27

�1 2.84

�2 10.20

�3 -0.14

La regresion obtenida tiene un |R2| = 0,63, y com-parativamente con los datos historicos, los valoresson muy similares.

C. Reducir la variabilidad en el tiempo

Para cubrir grandes areas de terreno con una gra-nularidad fina se utilizan sensores moviles, con loscuales podemos capturar datos en varios puntos aun-que en distintos instantes de tiempo, por lo que ladiferencia entre las mediciones 4O tienen una partedependiente del tiempo 4Ot y otra del espacio 4Oe.

4O = 4Ot + 4Oe (5)

Dado que se trata de medir las diferencias de ozonoen un area determinada, es necesario eliminar la va-riacion en el tiempo.

4Oe = 4O � 4Ot (6)

40

80

120

160

1 2 3 4 5 6 7 8 9 10 11 12Mes

O3

[ppb

]

OzonoMáximo

Fig. 7: Evolucion del ozono en un ano.

50

100

0 5 10 15 20Hora

O3

[ppb

]

OzonoMáximo

Fig. 8: Evolucion del ozono en un dıa - mes de junio.

Para el calculo de la variacion del ozono en el tiem-po se ha realizado un analisis de datos historicos dela estacion de monitorizacion ubicada en la Universi-dad Politecnica de Valencia, con datos historicos delozono entre 2008 y 2014.

En el estudio de los datos historicos se ha analizadola evolucion de los valores de ozono con medidas me-dias mensuales entre los anos 2008 y 2014. Se observaque los valores son mas altos entre los meses abril yseptiembre, y mas bajos los meses restantes. En laFigura 7 los valores medios y la desviacion estandarse ilustran en el area sombreada, y los valores maxi-

VI EDICIÓN DE LAS JORNADAS DE COMPUTACIÓN EMPOTRADA, JCE 2015 61

50

70

90

110

16.0 16.5 17.0 17.5 18.0Hora

O3

[ppb

]

OzonoMáximoLectura

Fig. 9: Datos capturados mediante un sensor movil.

mos son los representados por la lınea superior.Ademas, se analizo la variacion de los niveles de

ozono en el transcurso de un dıa de junio. Como sepuede observar (ver figura 8), el ozono tiene valoresmınimos al final de la noche, mas o menos a las 6 am,y sube hasta alcanzar valores maximos a las 2 o 3 pm,para comenzar a descender de manera gradual. Elcomportamiento en los otros meses del ano es analogoal mes mostrado.Como resultado del analisis de estos datos se pue-

de observar que el ozono tiene un comportamientodiferente en verano (considerando verano a los mesesentre abril y septiembre) respecto a los demas me-ses. En el transcurso del dıa el comportamiento esmuy similar a la distribucion logarıtmica cuadrada,con un inicio de crecimiento rapido seguido de undescenso menos pronunciado.Atendiendo a lo anterior, la prediccion de los va-

lores de ozono se ha realizado mediante regresioneslogarıtmicas cuadradas con influencia de la tempera-tura y la estacion del ano, una para verano y otrapara invierno, de los valores medios mensuales de losdatos obtenidos entre los anos 2008 y 2014 en la esta-cion de monitorizacion de la Universidad Politecnicade Valencia.

ln(Ot) = ↵ + �1s + �2t + �3 ln(h) + �4 ln(h)2 (7)

Donde:h Hora del dıa.s Estacion del ano.t Temperatura.↵ Coeficiente independiente.�1 Coeficiente de la estacion del ano.�2 Coeficiente de la temperatura.�3 Coeficiente del logaritmo de la hora del dıa.�4 Coeficiente del logaritmo de la hora del dıa

al cuadrado.Los valores de los coeficientes de las regresiones se

muestran en la Tabla III.Los valores de |R2| son de 0.91 para verano y 0.82

para invierno, mostrando un comportamiento muysimilar al real.

TABLA III: Valores de los coeficientes de la regresionpar transformar las lecturas en ppb.

Coeficiente Val. Ver. Val. Inv.

↵ -7.697592 -15.430049

�1 0.031212 0.118598

�2 -0.005520 0.031593

�3 9.229855 14.421140

�4 -1.766815 -2.832798

Para el ajuste de la variabilidad en el tiempo, (i) secalcula los valores de ozono en dos instantes de tiem-po con la ecuacion 7, (ii) se calcula la diferencia entrelos valores, y (iii) se reduce la variacion calculada enlas lecturas reales.

V. Validacion inicial de la Metodologıa

Para comprobar la metodologıa propuesta se hanrealizado varias sesiones de recoleccion de datos endiferentes zonas de la ciudad de Valencia con el sen-sor movil. Se han realizado distintos recorridos, y sehan comparado los datos capturados con los datosobtenidos de la infraestructura publica existente.Para cada recorrido se ha aplicado la metodologıa

propuesta: en primer lugar se reduce la oscilacion delos datos con el filtro paso-bajo (ecuacion 3), a conti-nuacion se ajustan las lecturas mediante la ecuacion4, y por ultimo se reduce la variacion temporal de losdatos monitorizados mediante la estimacion de dichavariacion con las ecuaciones 6 y 7.En la figura 9 se muestran los datos obtenidos en

un recorrido especıfico y el rango de valores comunespara la fecha de monitorizacion. Se puede observarque los valores de ozono estan dentro del rango devalores historicos para la hora monitorizada, lo quenos indica que, con nuestra metodologıa, obtenemosdatos fiables, permitiendo centrar nuestro analisis enlas variaciones espaciales.Una vez ajustados los datos recolectados, podemos

analizar la variabilidad de estos en diferentes zonasde la ciudad. En la Figura 10 se puede observar comovarıan los niveles de ozono en una area determinada,permitiendo analizar la distribucion de los niveles deozono.

VI. Conclusiones y Trabajos Futuros

La monitorizacion de la contaminacion ambientales muy importante hoy en dıa, y aunque existen mu-chos trabajos sobre este tema, pocos analizan la pro-blematica que conlleva el proceso de captura de da-tos.Centrandonos en el analisis de la monitorizacion de

los niveles de ozono en la ciudad de Valencia, se hadesarrollado una metodologıa para monitorizar me-diante sensores moviles de gama baja los niveles deozono con una mayor granularidad que la que permi-te la infraestructura existente.El proceso propuesto permite realizar la medicion

y calibracion de datos de ozono de una manera relati-vamente sencilla y sin la necesidad de un laboratorio

62 JCE 2015

O3 [ppb]100.4102.5104.5106.6108.6110.6112.7114.7116.8118.8120.8

Fig. 10: Distribucion del ozono capturada por sensor movil.

especializado. Los datos obtenidos se ajustan a larealidad y permiten hacer un analisis del comporta-miento de la contaminacion.

Los siguientes pasos a realizar incluyen el analisisde la variabilidad del ozono en el espacio, ası como elcalculo de la frecuencia y cantidad de mediciones quese necesitan para mantener controlada la evolucionde los niveles de contaminacion dentro de la ciudad.

Agradecimientos

El presente trabajo ha sido financiado parcialmen-te con una beca de la Secretaria Nacional de Educa-cion Superior, Ciencia y Tecnologıas (SENESCYT)- Ecuador, y por el Programa Estatal de Investiga-cion, Desarrollo e Innovacion Orientada a Retos dela Sociedad, Proyecto I+D+I TEC2014-52690-R.

Referencias

[1] Tze-Ming Chen, Janaki Gokhale, Scott Shofer, and Wa-re G Kuschner, “Outdoor air pollution: ozone healthe↵ects.,” The American journal of the medical sciences,vol. 333, no. 4, pp. 244–248, 2007.

[2] Robert D Brook, Je↵rey R Brook, Bruce Urch, RenaudVincent, Sanjay Rajagopalan, and Frances Silverman,“Inhalation of fine particulate air pollution and ozonecauses acute arterial vasoconstriction in healthy adults,”Circulation, vol. 105, no. 13, pp. 1534–1536, 2002.

[3] United States Environmental ProtectionAgency, “Air Quality Index Available:http://cfpub.epa.gov/airnow/index.cfm?action=aqibasics.aqi,”2015.

[4] ETC/ACM, “European Topic Centre on Air Po-llution and Climate Change Mitigation Availa-ble:http://acm.eionet.europa.eu/,” 2015.

[5] Environmental Protection Agency, “United Sta-tes Environmental Protection Agency Availa-ble:http://www.epa.gov/,” 2015.

[6] Ariane Adam-Poupart, Allan Brand, Michel Fournier,Michael Jerrett, and Audrey Smargiassi, “Spatiotempo-ral modeling of ozone levels in Quebec (Canada): a com-parison of kriging, land-use regression (LUR), and combi-ned Bayesian maximum entropy–LUR approaches,” En-vironmental health perspectives, vol. 122, no. 9, pp. 970,2014.

[7] L-J Sally Liu and AJ Rossini, “Use of kriging models topredict 12-hour mean ozone concentrations in metropo-litan toronto-a pilot study,” Environment International,vol. 22, no. 6, pp. 677–692, 1996.

[8] Matija Brkovic and V Sretovic, “Urban sensing–smartsolutions for monitoring environmental quality: Case stu-dies from serbia,” in 48th ISOCARP International Con-gress: Fast Forward: Planning in a (hyper) dynamic ur-ban context, Perm, Russia, 2012.

[9] Shu-Chiung Hu, You-Chiun Wang, Chiuan-Yu Huang,and Yu-Chee Tseng, “Measuring air quality in city areasby vehicular wireless sensor networks,” Journal of Sys-tems and Software, vol. 84, no. 11, pp. 2005–2012, 2011.

[10] Yun Cheng, Xiucheng Li, Zhijun Li, Shouxu Jiang, Yi-long Li, Ji Jia, and Xiaofan Jiang, “AirCloud: a cloud-based air-quality monitoring system for everyone,” inProceedings of the 12th ACM Conference on EmbeddedNetwork Sensor Systems. ACM, 2014, pp. 251–265.

[11] Yu Zheng, Furui Liu, and Hsun-Ping Hsieh, “U-air: Whenurban air quality inference meets big data,” in Procee-dings of the 19th ACM SIGKDD international conferen-ce on Knowledge discovery and data mining. ACM, 2013,pp. 1436–1444.

[12] Wikipedia, “Sensor available:http://en.wikipedia.org/wiki/sensor,” 2015.

[13] Libelium, “Waspmote Plug and Sen-se Smart Environment Available:http://www.libelium.com/es/products/plug-sense/,”2015.

VI EDICIÓN DE LAS JORNADAS DE COMPUTACIÓN EMPOTRADA, JCE 2015 63