[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-290719-105":3,"detail-sidebar-cat-0-en-105":81,"doc-detail-290719-en":130},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":74,"head_meta":76,"extra_data":78,"updated_unix":80},105,"ca","air-quality-monitoring-with-lorawan-and-machine-learning","Monitoratge de la Qualitat de l’Aire amb LoRaWAN i Machine Learning","","Els models de machine learning han transformat nombrosos àmbits, especialment en la presa de decisions automatitzada. Permeten analitzar grans volums de dades en temps real, identificar patrons complexos i optimitzar processos, millorant l’eficiència i la capacitat de resposta. Aquest projecte combina la tecnologia LoRaWAN amb tècniques de Machine Learning per crear espais intel·ligents i automatitzats mitjançant sensors d’ambient interior i detecció d’anomalies.",{"@graph":14,"@context":73},[15,34,56],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/document/","Document",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/document/research-report/","Research & Report",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/document/air-quality-monitoring-with-lorawan-and-machine-learning/290719/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/air-quality-monitoring-with-lorawan-and-machine-learning/290719.png","ImageObject",300,407,{"name":42,"@type":43},"Levi","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-10-29","2026-09-17",true,{"@type":52,"interactionType":53,"userInteractionCount":55},"InteractionCounter",{"@type":54},"ViewAction",7,{"@type":57,"mainEntity":58},"FAQPage",[59,65,69],{"name":60,"@type":61,"acceptedAnswer":62},"Quin és l’objectiu general del projecte?","Question",{"text":63,"@type":64},"Desenvolupar un model no supervisat de detecció d’anomalies ambientals mitjançant tècniques de machine learning, entrenat amb dades reals dels sensors LoRaWAN instal·lats al campus per avaluar-ne el potencial en futurs sistemes de monitoratge.","Answer",{"name":66,"@type":61,"acceptedAnswer":67},"Quines variables ambientals es recullen amb els sensors LoRaWAN?",{"text":68,"@type":64},"S’obtenen dades com temperatura, humitat i concentració de CO2, que es processen mitjançant neteja, transformació i preparació per entrenar els models.",{"name":70,"@type":61,"acceptedAnswer":71},"Com es detecten les anomalies ambientals i quina hipòtesi es planteja?",{"text":72,"@type":64},"S’aplica el model no supervisat Isolation Forest per identificar patrons atípics associats a situacions de risc. La hipòtesi estableix que, amb dades reals recollides via LoRaWAN, el model permet detectar anomalies de manera fiable i coherent amb llindars crítics de la literatura científica.","https://schema.org",{"og:url":32,"og:type":75,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":77,"canonical":32},"index,follow",{"doc_id":79,"site_id":7},290719,1791585904,{"code":4,"msg":82,"data":83},"success",[84,88,92,96,101,106,110,114,119,122,126],{"id":22,"doc_module":4,"doc_module_name":25,"category_name":85,"show_sort_weight":86,"slug":87},"Story & Novel",90,"story-novel",{"id":26,"doc_module":4,"doc_module_name":25,"category_name":89,"show_sort_weight":90,"slug":91},"Literature",80,"literature",{"id":33,"doc_module":4,"doc_module_name":25,"category_name":93,"show_sort_weight":94,"slug":95},"Exam",70,"exam",{"id":97,"doc_module":4,"doc_module_name":25,"category_name":98,"show_sort_weight":99,"slug":100},5,"Comic",60,"comic",{"id":102,"doc_module":4,"doc_module_name":25,"category_name":103,"show_sort_weight":104,"slug":105},6,"Technology",50,"technology",{"id":55,"doc_module":4,"doc_module_name":25,"category_name":107,"show_sort_weight":108,"slug":109},"Healthcare",40,"healthcare",{"id":111,"doc_module":4,"doc_module_name":25,"category_name":29,"show_sort_weight":112,"slug":113},8,30,"research-report",{"id":115,"doc_module":4,"doc_module_name":25,"category_name":116,"show_sort_weight":117,"slug":118},9,"Religion & Spirituality",20,"religion-spirituality",{"id":117,"doc_module":4,"doc_module_name":25,"category_name":120,"show_sort_weight":117,"slug":121},"World Cup","world-cup",{"id":123,"doc_module":4,"doc_module_name":25,"category_name":124,"show_sort_weight":123,"slug":125},10,"Lifestyle","lifestyle",{"id":127,"doc_module":4,"doc_module_name":25,"category_name":128,"show_sort_weight":97,"slug":129},19,"General","general",{"code":4,"msg":82,"data":131},{"doc_id":79,"user_id":132,"nickname":42,"user_avatar":133,"doc_module":4,"category_id":111,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":134,"file_id":135,"file_url":136,"file_type":137,"file_size":138,"view_count":55,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":123,"language":139,"language_code":8,"site_id":7,"html_lang":140,"table_of_contents":141,"faqs":142,"seo_title":143,"seo_description":12,"update_tm":144,"read_time":145,"preview_page_count":4},7971461740909,"https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d","This is the published version of the bachelor thesis:  \nMerroun Merroun, Adam; Castelló Bueno, Marc, dir. Monitoratge de la Qualitat de l’Aire amb LoRaWAN i Machine Learning. 2025. 9 pag. (Grau en Gestió de Ciutats Intel·ligents i Sostenibles)  \nThis version is available at [https://ddd.uab.cat/record/317291](https://ddd.uab.cat/record/317291)[ ](https://ddd.uab.cat/record/317291)under the terms of the  license  \nMonitoratge de la Qualitat de l’Aire amb LoRaWAN i Machine Learning  \nAdam Merroun Merroun  \nResum– Els models de machine learning han transformat nombrosos mbits, destacant especialment en la presa de decisions automatitzada. Aquests models permeten analitzar grans volums de dades en temps real, identificar patrons complexos i optimitzar processos, millorant aix l’eficincia i la capacitat de resposta en diverses situacions. Aquest projecte t com a objectiu combinarles tecnologies LoRaWAN i Machine Learning per aconseguir espais ms intel·ligents i automatitzats.  \nParaules clau– Internet of Things, LoRaWAN, Machine Learning.  \nAbstract–Machine learning models have transformed numerous fields, particularly in automated decision-making. These models allow for the analysis of large volumes of data in real-time, identifying complex patterns and optimizing processes, thus improving efficiency and responsiveness in various situations. This project aims to combine LoRaWAN technology and Machine Learning to create smarter and more automated spaces.  \nKeywords– Internet of Things, LoRaWAN, Machine Learning.  \n~~ ~~ ✦ ~~ ~~  \n1 INTRODUCCI  -CONTEXT DEL TREBALL  \nACTUALMENT, els problemes ambientals tenen una  \nrepercussi creixent en la salut i el benestar de  \nles persones. Diversos estudis han demostrat que una mala qualitat de l’aire en espais interiors pot generar impactes com fatiga, mals de cap o prdua de concentraci, especialment en entorsns educatius on es requereix un alt nivell de rendiment cognitiu. Per exemple, segons Satish et al. (2012), concentracions de CO2 superiors a 1000 ppm poden afectar directament la presa de decisions il’eficincia mental.  \nLes tecnologies actuals permeten abordar aquests reptes de manera ms efectiva. Les xarxes IoT (Internet de les Coses), com LoRaWAN, faciliten la transmissi remota dedades ambientals amb baix consum energtic i gran abast. Aix les fa especialment adequades per a espais grans com universitats. Alhora, l’´us de models de Machine Learning, com l’algorisme Isolation Forest, permet analitzar aquestes dades en temps real i detectar anomalies ambientals sense necessitat d’intervenci humana.  \n• E-mail de contacte: [adam.merroun@autonoma.cat](adam.merroun@autonoma.cat)  \n• Treball tutoritzat per:Marc Castell Bueno (Departament de Geograf´ıa)  \n• Curs 2024/25  \nEn aquest projecte, es proposa la combinaci d’aquests dos enfocaments. A travs de sensors com els Milesight AM107, s’obtenen dades com la temperatura, humitat i concentraci de CO2 , que es processen per identificar situacions de risc ambientals dins de la universitat. Aquesta anlisi pot servir com a base per automatitzar sistemes de ventilaci o enviar alertes, millorant laqualitat de l’aire i la comoditat en els espais d’aprenentatge.  \nA ms, aquesta proposta t un valor afegit: fomentala participaci de la comunitat universitria en l’´us dedades reals per afrontar problemtiques ambientals. Tamb pot ser una eina educativa per a estudiants interessats encamps com la cincia de dades, l’enginyeria ambiental i lagesti intel·ligent d’edificis.  \n2 OBJECTIUS  \n2.1 Objectiu general  \nDesenvolupar un model de detecci d’anomalies ambientals mitjanc¸ant tcniques de machine learning, entrenat amb dades reals proporcionades per sensors LoRaWAN instal·latsal campus universitari, amb l’objectiu d’avaluar el seu potencial en futurs sistemes intel·ligents de monitoratge de laqualitat ambiental.  \nJuny de 2025, Escola d’Enginyeria (UAB)  \n2.2 Objectius espec´ıfics  \n• Obtenir i analitzar dades ambientals (CO2 , temperatura, humitat) recollide","cbCaijk08eJu8awV","https://ap.wps.com/l/cbCaijk08eJu8awV","pdf",771928,"Catalan","en","# Resum– Context del treball\n## Objectiu general\n## Objectius específics\n## Hipòtesi\n## Preguntes de recerca\n# Motivació","[{\"question\":\"Quin és l’objectiu general del projecte?\",\"answer\":\"Desenvolupar un model no supervisat de detecció d’anomalies ambientals mitjançant tècniques de machine learning, entrenat amb dades reals dels sensors LoRaWAN instal·lats al campus per avaluar-ne el potencial en futurs sistemes de monitoratge.\"},{\"question\":\"Quines variables ambientals es recullen amb els sensors LoRaWAN?\",\"answer\":\"S’obtenen dades com temperatura, humitat i concentració de CO2, que es processen mitjançant neteja, transformació i preparació per entrenar els models.\"},{\"question\":\"Com es detecten les anomalies ambientals i quina hipòtesi es planteja?\",\"answer\":\"S’aplica el model no supervisat Isolation Forest per identificar patrons atípics associats a situacions de risc. La hipòtesi estableix que, amb dades reals recollides via LoRaWAN, el model permet detectar anomalies de manera fiable i coherent amb llindars crítics de la literatura científica.\"}]","Monitoratge de la Qualitat de l’Aire amb LoRaWAN i Machine Learning | PDF",1789642433,25]