低成本的CO2NDIR传感器:使用机器学习技术进行性能评估和校准.

科学领域:

• 环境监测环境监测环境监测
• 传感器技术 传感器技术
• 数据科学是数据科学.

背景情况:

• 准确的二氧化碳 (CO2) 监测对于环境和气候研究至关重要.
• 低成本的二氧化碳传感器具有广泛部署的潜力,但需要性能验证.
• 现有的研究往往缺乏跨不同传感器价格点的全面对比.

研究的目的:

• 评估各种低成本二氧化碳传感器的性能与参考仪器相比.
• 调查机器学习技术对这些传感器校准的有效性.
• 评估机器学习的潜力,以提高可负担得起的二氧化碳传感技术的准确性.

主要方法:

• 对三个二氧化碳传感器 (Senseair Sunrise AB,Senseair K30,Vaisala GMP 343) 与洛斯加托斯精密温室气体分析仪进行比较分析.
• 机器学习模型的应用,包括线性回归,梯度增强回归和随机森林回归,用于传感器校准.
• 开发和评估一个结合多种机器学习方法的堆组合模型.

主要成果:

• 在测试的二氧化碳传感器中观察到显著的性能差异,成本更高的Vaisala传感器显示出更高的精度.
• 低成本的Senseair Sunrise传感器提供了合理的准确性,而K30型号的噪音和可变性更高.
• 机器学习校准,特别是堆组合模型,使传感器精度提高了约65%.

结论:

• 机器学习为提高低成本二氧化碳传感器的精度提供了一个强大的工具,弥合了可负担性和可靠性之间的差距.
• 该研究为环境应用的不同价格级别的二氧化碳传感器的选择和校准提供了宝贵的数据.
• 对先进机器学习算法的进一步研究可以释放低成本传感器网络的更大潜力.