Internet of Things (IoT) connects sensing devices to the Internet for the purpose of exchanging information. Location information is one of the most crucial pieces of information required to achieve intelligent and context-aware IoT systems. Recently, positioning and localization functions have been realized in a large amount of IoT systems. However, security and privacy threats related to positioning in IoT have not been sufficiently addressed so far. In this paper, we survey solutions for improving the robustness, security, and privacy of location-based services in IoT systems. First, we provide an in-depth evaluation of the threats and solutions related to both global navigation satellite system (GNSS) and non-GNSS-based solutions. Second, we describe certain cryptographic solutions for security and privacy of positioning and location-based services in IoT. Finally, we discuss the state-of-the-art of policy regulations regarding security of positioning solutions and legal instruments to location data privacy in detail. This survey paper addresses a broad range of security and privacy aspects in IoT-based positioning and localization from both technical and legal points of view and aims to give insight and recommendations for future IoT systems providing more robust, secure, and privacy-preserving location-based services.

The line finite element method (LFEM) is the predominant simulation method in structural design due to its robustness in large-scale structural analysis. However, it sometimes suffers from the tedious computational process due to its fine-mesh requirement to ensure accuracy. The machine learning (ML) technique provides an efficient mesh-free alternative but necessitating tremendous training datasets for modeling large-scale structural systems. In this paper, a novel numerical framework, named the neural networks-based line element (NNLE) method, synergizing the unique advantages of the finite element method and ML technique, is proposed and presented within the context of large deflection frame analysis. The neural networks (NN) model is only trained for modeling single components, thereby significantly diminishing the model scale and the required training dataset. Then, the NN model is used to formulate a new NNLE and implemented within the existing LFEM framework to simulate the entire structural system. Extensive examples are performed to demonstrate the accuracy, efficiency, compatibility, and flexibility of the proposed NNLE method compared with the conventional LFEM and ML techniques. It is convinced that the proposed NNLE method will offer new insights into the combination of the traditional finite element method and the emerging ML approach.

Wi-Fi positioning system (WPS) has been proven as an effective way to realize universal indoor navigation for smart city-related applications. The localization ability of the existing WPS is affected by the low precision of the crowdsourced database and the unknown location of local wireless stations. This paper develops an integrated indoor localization framework using crowdsourced Wi-Fi fingerprinting and self-detected Wi-Fi Fine Time Measurement (FTM) stations (IL-CFSW). A novel crowdsourced mobile sensors data modeling algorithm with self-calibrated parameters is proposed, and modeled trajectories are further segmented and matched with the existing pedestrian indoor network to enhance the performance of the final database generation. Furthermore, the iteration unscented Kalman filter (iUKF) is adopted to recognize the position and calibrate the bias of existing Wi-Fi FTM anchors combined with the hybrid distance measurement model. Finally, an enhanced particle filter with error ellipse constraint is developed to fuse different location sources and indoor network information. Comprehensive experimental results present that the developed IL-CFSW can achieve autonomous 3D indoor localization performance in multi-floor contained scenes and meter-level positioning accuracy is achieved with the consideration of pedestrian indoor network information.

This study assesses the possibilities of the Integrated Multi-satellite Retrievals for Global Precipitation Measurement (IMERG-GPM) to estimate extreme rainfall anomalies. A web application, the IMERG Precipitation Extractor (IPE), was developed which allows for the querying, visualization, and downloading of time-series satellite precipitation data for points, watersheds, country extents, and digitized areas. The tool supports different temporal resolutions ranging from 30 min to 1 week and facilitates advanced analyses such as anomaly detection and storm tracking, an important component for climate change study. To validate the IMERG precipitation data for anomaly estimation over a 22-year period (2001 to 2022), the Rainfall Anomaly Index (RAI) was calculated and compared with RAI data from 2360 NOAA stations across the conterminous United States (CONUS), considering both dry and wet climate regions. In the dry region, the results showed an average correlation coefficient (CC) of 0.94, a percentage relative bias (PRB) of −22.32%, a root mean square error (RMSE) of 0.96, a mean bias ratio (MBR) of 0.74, a Nash–Sutcliffe Efficiency (NSE) of 0.80, and a Kling–Gupta Efficiency (KGE) of 0.52. In the wet region, the average CC of 0.93, PRB of 24.82%, RMSE of 0.96, MBR of 0.79, NSE of 0.80, and KGE of 0.18 were computed. Median RAI indices from both the IMERG and NOAA indicated an increase in rainfall intensity and frequency since 2010, highlighting growing concerns about climate change. The study suggests that IMERG data can serve as a valuable alternative for modeling extreme rainfall anomalies in data-scarce areas, noting its possibilities, limitations, and uncertainties. The IPE web application also offers a platform for extending research beyond CONUS and advocating for further global climate change studies.