Creating noise pollution maps based on user-generated noise measurements

Environmental pollution has become a rising concern during the last decades. Especially in big cities with their huge traffic volume, the pollution by the generated noise has become an imminent health threat to the citizen [40]. To protect their citizens, states in the EU have agreed on a directive which forces them to curtail the threat that is noise pollution [31]. First and foremost, this gives citizens the right to be informed about noise threats as every state has to provide noise maps for area of high population density. However, there are three major problems with this approach. Primarily, those maps only provide sparse coverage since rural areas are not included and they also exhibit a relatively long update cycle. Last but not least, recording the maps involves expensive high quality sensors and human resources, resulting in a not negligible financial burden. In this thesis, we introduce an approach making use of machine learning techniques and collected noise measurements by a participatory sensing application to determine the noisiness factor of an area. By using the collected sound data in conjunction with further information on the vicinity such as nearby streets or buildings, we were able to create a machine learning model able to predict a sound level with 80.9% accuracy. As this approach is very cost-efficient it can easily be used as an addition to common techniques for recording noise maps as well as a standalone application. Zusammenfassung Das Thema Umweltverschmutzung ist in den letzten Jahren zu einem ernstzunehmenden Problem herangewachsen. Vor allem in Städten mit großem Verkehrsaufkommen ist die Belästigung durch den hervorgerufen Lärm zu einer Bedrohung der Gesundheit der Einwohner geworden [40]. Zum Schutze ihrer Bevölkerung haben die Mitgliedsstaaten der EU eine Richtlinie verabschiedet, welche die zunehmende Lärmbelästigung eindämmen soll [31]. Durch Lärmkarten von Ballungszentren sollen Bürger über Lärmquellen informiert werden. Dieser Ansatz leidet jedoch unter drei grundsätzlichen Schwächen. Zum einen gibt es für ländliche Gebiete keine Lärmkarten und des Weiteren verhindert der meist lange Aktualisierungszeitraum eine genaue Bestimmung der Stärke der Lärmbelästigung. Zudem werden teure Qualitätssensoren sowie Fachkräfte zur Aufnahme einer Lärmkarte benötigt, was eine nicht vernachlässigbare finanzielle Belastung darstellt. In dieser Arbeit stellen wir einen Ansatz vor, welcher mithilfe gesammelter Lautstärkemessungen durch eine “Participatory Sensing” Anwendung den Lärmfaktor einer Gegend bestimmen kann. Hierzu verwenden wir Techniken des Maschinellen Lernens und reichern unsere Messungen mit einer genauen Beschreibung der Umgebung des Messorts an, beispielsweise indem wir Straßen und Gebäudetypen in der Nähe ergänzen. Dadurch konnten wir ein Modell erstellen, welches den Lärmpegel mit einer Genauigkeit von 80.9% vorhersagen kann. Da unser Vorgehen sehr kostengünstig ist, kann es leicht als Ergänzung zu herkömmlichen Methoden zur Erstellung von Lärmkarten oder als eigenständige Applikation eingesetzt werden.