Conception, Montage Et Simulation D’un Prototype De Station Environnementale IOT Basée Sur Arduino Mega 2560 Et Capteurs Multiparamètres

Sonny MAKENGO, Patrick NGOSSE, Beaudouin NDOMBE, Stéphane MINGA, Joseph CIMBELA

Abstract


La surveillance environnementale constitue aujourd’hui un enjeu crucial pour la santé publique, la gestion urbaine et la recherche scientifique. Les stations officielles de mesure, bien que précises, demeurent coûteuses et difficiles à déployer dans les pays en développement. Ce travail présente la conception, le montage et la simulation en laboratoire d’un prototype de station environnementale reposant sur une carte Arduino Mega 2560 et un ensemble de capteurs multiparamètres (température, humidité, dioxyde de carbone, particules fines, gaz polluants, luminosité et pluie). Le système intègre des technologies de communication sans fil (LoRa et Wi-Fi via ESP-01), un stockage local sur carte SD et un affichage en temps réel sur écran OLED. La méthodologie adoptée combine une description technique détaillée des composants, un câblage optimisé et une procédure de simulation progressive en laboratoire. Les résultats montrent la fiabilité des capteurs, la stabilité des communications et la pertinence de l’architecture modulaire proposée. Ce prototype offre une solution low-cost et open-source adaptée aux contextes académiques et aux zones urbaines à ressources limitées. Des perspectives d’amélioration sont envisagées, notamment l’intégration de sources d’énergie solaire, la calibration avancée des capteurs et la connexion à des plateformes IoT telles que The Things Network.

Keywords


Arduino Mega 2560, Internet des objets (IoT), capteurs environnementaux, LoRa, ESP-01, station de mesure low-cost.

Full Text:

PDF

References


. Augustin, A., Yi, J., Clausen, T. H., & Townsley, W. M. (2016). A study of LoRa: Long range & low power networks for the Internet of Things. Sensors, 16(9), 1466. https://doi.org/10.3390/s16091466

. Castell, N., Dauge, F. R., Schneider, P., Vogt, M., Lerner, U., Fishbain, B., … Bartonova, A. (2017). Can commercial low-cost sensor platforms contribute to air quality monitoring and exposure estimates? Environment International, 99, 293–302. https://doi.org/10.1016/j.envint.2016.12.007

. Jiao, W., Hagler, G., Williams, R., Sharpe, R., Brown, R., Garver, D., … Rice, J. (2016). Community Air Sensor Network (CAIRSENSE) project: Evaluation of low-cost sensor performance in a suburban environment in the southeastern United States. Atmospheric Measurement Techniques, 9(11), 5281–5292. https://doi.org/10.5194/amt-9-5281-2016

. Kumar, P., Morawska, L., Martani, C., Biskos, G., Neophytou, M., Di Sabatino, S., … Britter, R. (2015). The rise of low-cost sensing for managing air pollution in cities. Environment International, 75, 199–205. https://doi.org/10.1016/j.envint.2014.11.019

. Mukherjee, M., Kumar, A., Obaidat, M. S., Ghosh, U., & Lloret, J. (2022). Internet of Things for Smart Urban Ecosystem: Efficient Monitoring of Air Pollution Using LoRaWAN-Based Sensors. IEEE Internet of Things Journal, 9(2), 1442–1452. https://doi.org/10.1109/JIOT.2021.3077581

. Sousan, S., Koehler, K., Thomas, G., Park, J. H., Hillman, M., Halterman, A., & Peters, T. M. (2016). Inter-comparison of low-cost sensors for measuring the mass concentration of occupational aerosols. Aerosol Science and Technology, 50(5), 462–473. https://doi.org/10.1080/02786826.2016.1162901

. Spinelle, L., Gerboles, M., Kok, G., Persijn, S., & Sauerwald, T. (2017). Review of portable and low-cost sensors for the ambient air monitoring of benzene and other volatile organic compounds. Sensors, 17(7), 1520. https://doi.org/10.3390/s17071520

. World Health Organization (WHO). (2021). Ambient air pollution: Health impacts. Retrieved from https://www.who.int/news-room/fact-sheets/detail/ambient-(outdoor)-air-quality-and-health

. United Nations Human Settlements Programme (UN-Habitat). (2020). World Cities Report 2020: The Value of Sustainable Urbanization. Nairobi: UN-Habitat. Retrieved from https://unhabitat.org/

. Zimmerman, N., Presto, A. A., Kumar, S. P. N., Gu, J., Hauryliuk, A., Robinson, E. S., … Robinson, A. L. (2018). A machine learning calibration model using random forests to improve sensor performance for lower-cost air quality monitoring. Atmospheric Measurement Techniques, 11(1), 291–313. https://doi.org/10.5194/amt-11-291-2018




DOI: http://dx.doi.org/10.52155/ijpsat.v57.2.7981

Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 Sonny MAKENGO

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.