ARCHITECTURE FOR INTEGRATING AIR QUALITY DATA FROM MULTIPLE SOURCES

MARIUS MARIAN DINU; ADRIANA OLTEANU; ANCA DANIELA IONITA

doi:10.59277/RRST-EE.2026.2.21

Auteurs

MARIUS MARIAN DINU Département d'automatisation et d'informatique industrielle, Faculté de contrôle automatique et d'informatique, Université nationale des sciences et technologies POLITEHNICA Bucarest, Roumanie. Author https://orcid.org/0009-0005-8795-1048 (non authentifié)
ADRIANA OLTEANU Département d'automatisation et d'informatique industrielle, Faculté de contrôle automatique et d'informatique, Université nationale des sciences et technologies POLITEHNICA Bucarest, Roumanie. Author https://orcid.org/0000-0002-7057-7281 (non authentifié)
ANCA DANIELA IONITA Département d'automatisation et d'informatique industrielle, Faculté de contrôle automatique et d'informatique, Université nationale des sciences et technologies POLITEHNICA Bucarest, Roumanie. Author https://orcid.org/0000-0002-8966-6196 (non authentifié)

DOI :

https://doi.org/10.59277/RRST-EE.2026.2.21

Mots-clés :

Intégration des données, Surveillance de la qualité de l’air, Données multi-sources, Hétérogénéité des données, Architecture du kit de développement logiciel (SDK)

Résumé

La surveillance de la qualité de l'air est devenue un élément essentiel des stratégies de santé publique. Cependant, les méthodes de surveillance traditionnelles nécessitent des améliorations, et les systèmes existants, conçus pour répondre à des exigences régionales spécifiques, peinent à saisir la complexité du problème. L'analyse des données existantes sur la qualité de l'air révèle une grande diversité de sources, de formats et de définitions de paramètres selon les fournisseurs. Cet article propose une architecture pour un système multicouche capable d'intégrer les données relatives à la qualité de l'air, de centraliser l'accès aux données issues de sources multiples et de réduire l'hétérogénéité des données. La solution présentée est implémentée sous forme de kit de développement logiciel (SDK) pour iOS afin de démontrer sa praticité, avec pour objectif à long terme de transformer un paysage de données disparates en une plateforme cohérente.

Références

(1) G. Năstase, A. Șerban, A.F. Năstase, G. Dragomir, A.I. Brezeanu, Air quality, primary air pollutants and ambient concentrations inventory for Romania, Atmospheric Environment, 184, pp. 292–303 (2018).

(2) O. Yildiz, H.S. Sucuoglu, Development of real-time IoT-based air quality forecasting system using machine learning approach, Sustainability, 17, pp. 1–10 (2025).

(3) R.N. Pietraru, A. Olteanu, I. Adochiei, F. Felix, Reengineering indoor air quality monitoring systems to improve end-user experience, Sensors, 24, pp. 1–10 (2024).

(4) T. Bidilă, R.N. Pietraru, A.D. Ioniţă, A. Olteanu, Monitor indoor air quality to assess the risk of COVID-19 transmission, 2021 23rd International Conference on Control Systems and Computer Science (CSCS), Bucharest, Romania, pp. 1–6 (2021).

(5) D. Carstoiu, E. Oltean, G. Gorghiu, A. Olteanu, A. Cernian, Approaches in wind field modeling and air quality monitoring systems, Bulletin UASVM Horticulture, 65, 2, pp. 549–554 (2008).

(6) P. Wang, Q. Zhang, J. Dai, S. Wang, H.H. Cai, Integration needs and challenges for green and smart transformation of port industry based on multi-source data, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 2, pp. 1–10 (2024).

(7) J.J. Hilly, K.R. Singh, P. Jagals, F.S. Mani, A. Turagabeci, M. Ashworth, M. Mataki, L. Morawska, L.D. Knibbs, R.M. Stuetz, A.P. Dansie, Review of scientific research on air quality and environmental health risk and impact for PICTS, Science of The Total Environment, 942, pp. 1–10 (2024).

(8) M. Cocchi, Data fusion methodology and applications, Data Handling in Science and Technology, Elsevier, 31, pp. 1–300 (2019).

(9) S.M. Azcarate, R. Ríos-Reina, J.M. Amigo, H.C. Goicoechea, Data handling in data fusion: Methodologies and applications, TrAC Trends in Analytical Chemistry, 143, pp. 1–10 (2021).

(10) P. Ziegler, K.R. Dittrich, Data integration – problems, approaches, and perspectives, Conceptual Modeling in Information Systems Engineering, Springer, pp. 39–58 (2007).

(11) E.M. Zaman, S.M.K. Quadri, E.M.A. Butt, Information integration for heterogeneous data sources, IOSR Journal of Engineering, 2, 4, pp. 640–643 (2012).

(12) C. Zhang, Introduction to environmental data acquisition, Fundamentals of Environmental Sampling and Analysis, John Wiley & Sons, Ltd, pp. 1–10 (2024).

(13) P. Taylor, Web APIs for environmental data – state of the art investigation, Data61 CSIRO, pp. 1–10 (2016).

(14) ***Apple Inc., Framework programming guide, pp. 1–100 (2025).

(15) M.M. Dinu, A.M. Stanciu, A.D. Ioniţă, Software development kit for integration of environmental data, 2025 15th International Conference on Advanced Computer Information Technologies (ACIT), Sibenik, Croatia, pp. 1–6 (2025).

(16) K. Benmouiza, Nonlinear clustered adaptive-network-based fuzzy inference system model for hourly solar irradiation estimation, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 68, 1, pp. 7–11 (2023).

ARCHITECTURE POUR L'INTÉGRATION DES DONNÉES SUR LA QUALITÉ DE L'AIR PROVENANT DE SOURCES MULTIPLES

Auteurs

DOI :

Mots-clés :

Résumé

Références

Téléchargements

Publiée

Numéro

Rubrique

Licence

Comment citer

Langue

Informations