基于过程的机器学习辅助质量控制,用于检测受损的环境传感器
相关实验视频
Updated: Jul 19, 2025
08:20
In Situ Soil Moisture Sensors in Undisturbed Soils
Published on: November 18, 2022
6.3K
Jacquelyn Q Schmidt1, Branko Kerkez1
1Department of Civil and Environmental Engineering, University of Michigan, Ann Arbor, Michigan 48109-2125, United States.
Environmental science & technology
|August 15, 2023
概括
本研究引入了环境传感器数据的机器学习辅助质量保证方法. 新方法提高了环境研究和管理的数据质量和可扩展性.
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:
- 高质量的环境数据对于研究和管理至关重要.
- 传感器数据的手动质量保证和控制 (QAQC) 是劳动密集型的,并且阻碍了可扩展性.
- 现有的自动化QAQC方法与环境传感器的复杂噪声概况作斗争.
研究的目的:
- 开发一种机器学习辅助的QAQC方法,对低信号与噪声比数据具有稳定性.
- 为了实现自动检测受损的环境传感器.
- 增加来自传感器网络的高质量数据的数量.
主要方法:
- 将传感器测量嵌入到动态特征空间中.
- 训练二进制分类算法 (支持向量机) 来识别与预期动态的偏差.
- 将该方法应用于各种环境传感器数据集 (流水位,pH,电导率).
主要成果:
- 通过ML辅助的QAQC方法获得了高达0.97.9的准确度得分.
- 该方法有效地检测到来自受损传感器的各种非物理信号.
- 性能始终超过了最先进的异常检测技术.
结论:
- 拟议的ML辅助QAQC方法为环境传感器数据提供了可扩展和强大的解决方案.
- 这种方法显著提高了环境监测数据的可靠性和数量.
- 它解决了利用传感器网络用于环境研究和管理的关键挑战.
