PM₁₀とPM_2.5のための低コストセンサーの校正は,スマートシティのための人工知能に基づいています

科学分野:

• 環境科学 環境科学
• センサー技術 センサー技術
• データサイエンス データサイエンス

背景:

• 粒子状物質 (PM) への曝露は,呼吸器系および心臓血管疾患を含む,重要な世界的な健康問題を引き起こします.
• 伝統的な空気の品質モニタリングネットワーク (AQMN) は,空間的カバーに制限があり,高いコストがあります.
• 低コストセンサー (LCS) は,空気質モニタリングの費用対効果の高い代替手段ですが,精度の問題に対処するために校正が必要です.

研究 の 目的:

• PM2.5およびPM10濃度のモニタリングにおける低コストセンサー (LCS) の様々な校正モデルの有効性を評価する.
• LCSデータ精度に対するFast Dynamic Time Warping (FastDTW) を含む事前処理技術の影響を評価する.
• 相対湿度 (RH),温度,吸収フローなどの気象学的要因がセンサ性能に及ぼす影響を決定する.

主な方法:

• LCSノードとT640X参照センサを使用して,PM2.5とPM10の同時モニタリング.
• オートメットステーションを使用した気象データ (RH,温度,吸収フロー) の収集.
• フィルタリング,セグメンテーション,FastDTWによるデータ事前処理,その後,統計,機械学習 (ML),ディープラーニング (DL) モデルを用いたカリブレーションが行われます.

主要な成果:

• FastDTWの事前処理は,LCSのデータ品質を向上させるために極めて重要です.
• RH,温度,吸収フローを組み込むことは,PMモニタリングの精度を大幅に改善します.
• ランダムフォレストとXGBoostのモデルは,LCS校正において最高のパフォーマンスを示しました.

結論:

• 校正されたLCSネットワークは,路上スケールで継続的に空気の質をモニタリングするための費用対効果の高い実用的なソリューションを提供します.
• このアプローチは,詳細なマイクロスケールデータを提供することによって,既存の衛星およびMAX-DOAS方法を補完します.
• 開発された校正戦略は,LCS技術を用いた信頼性と正確な空気質評価に不可欠です.