Käesolev doktoritöö keskendub keskkonnaseire edendamisele uuenduslike andmete assimileerimise meetodite abil. Töös käsitletakse keskkonnaseire ja modelleerimise valdkonna väljakutseid seoses andmete kvaliteedi parandamisega, pöörates erilist tähelepanu avatud keskkonnaandmetele. Peamised panused, eesmärgiga parandada linnakeskkonna õhusaaste mõõtetulemuste täpsust, hõlmavad kergekaaluliste algoritmide arendamist ilma määramatuse hinnanguta andmete assimileerimiseks. Loodud algoritmid on hästi skaleeruvad, vastavad ELi keskkonnadirektiividele, sobivad IoT seadmetele ja toetavad pidevat, täpset keskkonnaandmete kogumist.
Töö rõhutab ka avatud keskkonnaandmete assimileerimise olulisust teadliku poliitika kujundamisel ja sellest tulenevate nõuete ning regulatsioonide jälgimisel. Töö käsitleb
uurimisküsimusi andmete täielikkuse, täpsuse ja kordustäpsuse parandamise ning uute algoritmide tõhususe kohta õhu kvaliteedi andmete parandamisel.
Võrreldes olemasolevate meetoditega pakub käesolev doktoritöö kuluefektiivseid, avatud lähtekoodiga alternatiive keskkonnaseireks, edendades koostööl põhinevat innovatsiooni ja demokratiseerides arenenud seirevõimalusi. Tulevased uurimissuunad hõlmavad õhusaaste kaardistamist, sensorite paigutuse optimeerimist ja algoritmide rakenduste laiendamist. Uurimus toetab ELi keskkonnapoliitikat ja -regulatsioone ning pakub avatud lähtekoodiga koodi käimasolevaks uurimistööks, suurendades keskkonnaseire täpsust, õigeaegsust ja ulatust.

Doktoritöö on avaldatud Tehnikaülikooli raamatukogu digikogus

Juhendajad: kaasprofessor tenuuris Jeffrey Andrew Tuhtan ning vanemteadur Jaanus Kaugerand (Tallinna Tehnikaülikool)

Oponendid: 

• professor Shinji Fukuda (Tokyo Põllumajandus- ja Tehnikaülikool, Jaapan)
• kaasprofessor Anastasija Nikiforova (Tartu Ülikoool, Eesti)

Jälgi avalikku kaitsmist MS Teamsis

Meeting ID: 337 004 944 807 
Passcode: wU3K4U