Este trabalho apresenta uma proposta de uma rede de sensores sem fio para sensoriamento participativo, com dispositivos IoT de sensoriamento desenvolvidos especialmente para monitoramento e predição da qualidade do ar, como alternativa a estações meteorológicas de alto custo. O sistema, batizado de pmSensing, objetiva fazer a medição de material particulado. Uma validação é feita comparando os dados coletados pelo protótipo com dados das estações. A comparação mostra que os resultados são próximos, o que pode viabilizar soluções de baixo custo para o problema. O sistema ainda apresenta uma análise preditiva utilizando redes neurais recorrentes, no caso a rede LSTM-RNN, onde as predições apresentaram alta acurácia em relação aos dados reais.

Este artigo apresenta o OTALab, uma ferramenta para criação e implantação de ambientes de experimentação de aplicações de Internet of Things (IoT) em microcontroladores de baixo custo. O OTALab visa a rápida implantação e configuração de um testbed de ambiente de experimentação. O OTALab possui dois perfis de usuários: administradores e experimentadores. Para os primeiros, o OTALab expõe uma interface de administração capaz de adicionar/remover dispositivos IoT, serviços e funcionalidades ao sistema. Já os experimentadores podem visualizar os serviços disponíveis em cada dispositivo e enviar seu próprio código aos dispositivos via linha de comando ou interface Web. O OTALab recebe o código-fonte, compila-o para o microcontrolador específico e atualiza o firmware do dispositivo através do paradigma Over the Air (OTA). O OTALab é composto por uma biblioteca de microcontroladores, um servidor de gerenciamento de dispositivos e uma aplicação Web. A ferramenta pode ser instanciada localmente ou de forma distribuída, melhorando sua flexibilidade.

This work presents a proposal for a wireless sensor network for participatory sensing, with IoT sensing devices developed especially for monitoring and predicting air quality, as alternatives of high cost meteorological stations. The system, called pmSensing, aims to measure particulate material. A validation is done by comparing the data collected by the prototype with data from stations. The comparison shows that the results are close, which can enable low-cost solutions to the problem. The system still presents a predictive analysis using recurrent neural networks, in this case the LSTM-RNN, where the predictions presented high accuracy in relation to the real data.