Reducción de los Requisitos de Datos para un Mapeo de Ruido Simple y Efectivo: Un Estudio de Caso de Mapeo de Ruido Utilizando Métodos Computacionales y SIG para la Intersección de la Ciudad de Raebareli
Autores: Zafar, Md Iltaf; Bharadwaj, Shruti; Dubey, Rakesh; Tiwary, Saurabh Kr; Biswas, Susham
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Artes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
La predicción precisa de los niveles de ruido en ubicaciones al aire libre requiere datos detallados sobre las fuentes de ruido y los parámetros del terreno, así como un modelo eficiente para la predicción. Sin embargo, la posibilidad de predecir el ruido con una precisión razonable utilizando menos datos de entrada es un desafío que necesita ser estudiado científicamente. Las cualidades de los datos de ruido, los parámetros del terreno y el modelo de predicción pueden impactar significativamente la precisión de la predicción. Este estudio se centra principalmente en la dependencia de los datos de ruido para una predicción y mapeo eficientes del ruido. Este artículo de investigación propone una metodología detallada para predecir y mapear los niveles de ruido y exposición en Ratapur, Uttar Pradesh, India, con diversas granularidades de entradas de datos de ruido. Los niveles de ruido se midieron en varios lugares y en diferentes momentos del día a intervalos de 10 minutos. Se utilizaron diferentes proporciones y calidades de datos de entrada para la predicción del ruido, a saber, (1) un método basado en grandes datos, (2) un método basado en pequeños datos, (3) un método basado en el promedio de datos de puntos de fuente, (4) un método basado en datos de navegación de Google, y (5) modelado preciso utilizando un método basado en ANN, integrando datos de ruido precisos con un algoritmo de modelado sofisticado para la predicción del ruido. Se realizó un análisis de la variación entre los niveles de ruido predichos y medidos para los cinco métodos utilizando la técnica ANOVA. Varios métodos basados en menos datos de ruido predijeron los niveles de ruido con precisiones dentro del rango de +/-4-10 dB(A), mientras que la técnica basada en ANN lo predijo con una precisión de +/-0.5-2.5 dB(A). Curiosamente, la estimación de los niveles de exposición al ruido (>85 dB(A)) y la identificación de zonas de peligro alrededor de la intersección de carreteras estudiada también se pudieron realizar de manera eficiente incluso al utilizar modelos deficientes en datos. Este artículo también mostró la posibilidad de predecir un mapa 3D preciso para un área extrayendo vehículos y características del terreno de imágenes satelitales sin ningún registro directo de datos de ruido. Así, este artículo demostró enfoques para reducir la dependencia de los datos de ruido para la predicción y mapeo del ruido y para permitir un mapeo preciso de zonificación de peligros por ruido.
Descripción
La predicción precisa de los niveles de ruido en ubicaciones al aire libre requiere datos detallados sobre las fuentes de ruido y los parámetros del terreno, así como un modelo eficiente para la predicción. Sin embargo, la posibilidad de predecir el ruido con una precisión razonable utilizando menos datos de entrada es un desafío que necesita ser estudiado científicamente. Las cualidades de los datos de ruido, los parámetros del terreno y el modelo de predicción pueden impactar significativamente la precisión de la predicción. Este estudio se centra principalmente en la dependencia de los datos de ruido para una predicción y mapeo eficientes del ruido. Este artículo de investigación propone una metodología detallada para predecir y mapear los niveles de ruido y exposición en Ratapur, Uttar Pradesh, India, con diversas granularidades de entradas de datos de ruido. Los niveles de ruido se midieron en varios lugares y en diferentes momentos del día a intervalos de 10 minutos. Se utilizaron diferentes proporciones y calidades de datos de entrada para la predicción del ruido, a saber, (1) un método basado en grandes datos, (2) un método basado en pequeños datos, (3) un método basado en el promedio de datos de puntos de fuente, (4) un método basado en datos de navegación de Google, y (5) modelado preciso utilizando un método basado en ANN, integrando datos de ruido precisos con un algoritmo de modelado sofisticado para la predicción del ruido. Se realizó un análisis de la variación entre los niveles de ruido predichos y medidos para los cinco métodos utilizando la técnica ANOVA. Varios métodos basados en menos datos de ruido predijeron los niveles de ruido con precisiones dentro del rango de +/-4-10 dB(A), mientras que la técnica basada en ANN lo predijo con una precisión de +/-0.5-2.5 dB(A). Curiosamente, la estimación de los niveles de exposición al ruido (>85 dB(A)) y la identificación de zonas de peligro alrededor de la intersección de carreteras estudiada también se pudieron realizar de manera eficiente incluso al utilizar modelos deficientes en datos. Este artículo también mostró la posibilidad de predecir un mapa 3D preciso para un área extrayendo vehículos y características del terreno de imágenes satelitales sin ningún registro directo de datos de ruido. Así, este artículo demostró enfoques para reducir la dependencia de los datos de ruido para la predicción y mapeo del ruido y para permitir un mapeo preciso de zonificación de peligros por ruido.