使用质量平衡和无监督集群来估计室内污染物损失,以识别衰变

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 传感器技术 传感器技术

背景情况:

• 低成本的空气质量传感器在室内广泛使用,但往往过于简化数据,丢失了有价值的动态信息.
• 传感器的局限性包括精度偏移和缺乏绝对校准,妨碍可靠的数据解释.
• 数据科学和机器学习提供了潜在的解决方案,以提高低成本传感器数据的实用性.

研究的目的:

• 开发一种无监督的机器学习模型,用于自动识别污染物衰变周期.
• 用时间序列度数据估计室内污染物损失率.
• 通过提取动态信息和改进数据分析来解决低成本传感器的局限性.

主要方法:

• 利用k-means和DBSCAN集群算法来识别时间序列数据中的污染物衰变模式.
• 运用质量平衡方程来计算基于已识别的衰变周期的污染物损失率.
• 开发了超参数选择和不确定性过的协议,以确保模型的稳定性.

主要成果:

• 该模型成功地确定了各种室内环境中的衰变周期和估计污染物损失率 (CO2,PM2.5).
• 在相同的环境中,与PM2.5损失率相比,观察到持续较低的二氧化碳损失率.
• 污染物损失率的空间和时间变化,突出环境影响.

结论:

• 开发的无监督机器学习模型为监测室内污染物去除率提供了一种新的方法.
• 该模型通过分析时间动态有效地克服了低成本传感器的局限性.
• 潜在的应用包括评估通风和过系统以及描述室内排放源.