使用机器学习进行统计数据预处理和时间序列的整合,以高效地校准低成本的NO2传感器

科学领域:

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

背景情况:

• 空气污染,特别是二氧化 (NO2),对健康,环境和经济构成重大风险.
• 精确的NO2监测对于降低风险至关重要,但传统方法昂贵且复杂.
• 开发具有成本效益的NO2传感器正在进行中,但可靠性仍然是一个挑战.

研究的目的:

• 为具有成本效益的NO2传感器引入精确的校准方法.
• 提高低成本NO2监测解决方案的准确性和可靠性.
• 允许广泛部署负担得起的空气质量监测系统.

主要方法:

• 低成本传感器读数的统计预处理与参考数据保持一致.
• 开发一个人工神经网络 (ANN) 替代品来预测传感器校正系数.
• 整合环境变量 (温度,湿度,压力),辅助传感器数据和校准的历史读数.
• 全球数据缩放技术的应用.

主要成果:

• 拟议的校准框架显著提高了经济高效的NO2传感器的准确性.
• 与参考数据实现了高的相关系数 (接近0.95).
• 证明了低根平均平方误差 (RMSE) 在2.4μg/m3以下.
• 使用自定义监控平台和公共参考站数据在五个月内验证.

结论:

• 新的校准技术建立了具有成本效益的NO2传感器,作为传统监测设备的可行和准确的替代品.
• 这一突破使得空气质量监测更容易获得和更广泛.
• 这些发现支持制定改善的空气污染管理和保护公共健康的战略.