基于机器学习的高性能校准低成本的二氧化传感器,使用环境参数差异和全球数据缩放.

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:

• 精确监测有害气体,如二氧化 (NO2) 对于减轻空气污染对环境和健康的影响至关重要.
• 现有的二氧化监测设备往往是昂贵和复杂的,需要更实惠和可靠的替代品.
• 城市NO2污染,主要来自化石燃料燃烧,对呼吸系统健康构成重大风险.

研究的目的:

• 开发和验证一种新的,具有成本效益的方法,用于校准低成本的NO2传感器.
• 整合机器学习与先进的数据处理技术,以提高传感器的准确性.
• 为城市环境中广泛的NO2监测提供可靠的替代方案.

主要方法:

• 实施了一种机器学习方法,将神经网络代理和全球数据扩展相结合.
• 利用扩展校正模型输入,包括环境参数差异和来自多个NO2传感器的数据.
• 在五个月的时间里,使用专门构建的平台和对高精度参考站进行比较实验验证实了该方法.

主要成果:

• 校准的低成本NO2传感器实现了显著的校正质量,与参考数据相比,相关系数超过0.9.
• 根的平方平均误差低于3.2μg/m3,显示出高精度.
• 开发的方法在各种校准场景和输入配置中被证明是有效的.

结论:

• 拟议的基于机器学习的校准方法为NO2监测提供了可靠且具有成本效益的解决方案.
• 这种方法显著提高了低成本传感器的可靠性,使它们成为昂贵的固定设备的可行替代品.
• 这些发现支持更广泛地实施可访问的空气质量监测网络.