空气MLP:多层感知器神经网络用于时间校正都灵PM2.5值

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:

• 空气污染,特别是PM 2.5,是一个主要的全球问题,欧洲法规设定了严格的限制.
• 低成本的传感器提供了广泛的空气质量监测,但缺乏监管站的精度.
• 湿度显著影响低成本的PM 2.5传感器的准确性.

研究的目的:

• 开发一个人工智能系统来纠正来自低成本传感器的PM 2.5测量.
• 为了研究湿度对传感器精度的影响.
• 为了优化性能,比较不同的神经网络架构.

主要方法:

• 利用来自意大利都灵的数据,重点关注PM 2.5水平和湿度.
• 实现并比较各种神经网络架构,不同参数如神经元,记录和批量大小.
• 使用R平方得分评估模型性能.

主要成果:

• 通过AirMLP7-1500神经网络模型,获得了高的R平方得分,即0.932.
• 证明了该模型在纠正PM 2.5测量的有效性.
• 确定了特定的网络配置,从而获得更高的准确性.

结论:

• 拟议的AI系统显著提高了来自低成本传感器的PM 2.5数据的准确性.
• 该方法提供了一个系统的方法,用于开发类似的空气质量校正模型.
• 提高数据准确性可以提高公众和市政府对关键环境信息的认识.