对流行软件包和AI/ML模型进行系统研究,以校准现场空气质量数据:使用紫色空气传感器的一个例子

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:

• 准确的空气污染监测对于公共卫生和环境保护至关重要.
• 先进传感器的有限部署需要对低成本替代品进行校准.
• 像紫色空气这样的低成本传感器提供了广泛的覆盖范围,但需要改进精度.

研究的目的:

• 系统地评估机器学习 (ML) 模型和套件,用于校准紫色空气颗粒物 (PM) 2.5传感器.
• 确定不同ML模型,开源软件包和数据分割比对传感器准确性的影响.
• 确定最佳的AI/ML方法,以提高低成本空气质量监测的精度.

主要方法:

• 评估了11种不同的ML模型,包括长期短期记忆 (LSTM),XGBoost和随机森林 (RF).
• 五个开源软件包被用于模型的实施和评估.
• 使用R平方 (R2) 和根平均平方误差 (RMSE) 量化性能,并探索了不同的数据分割比率.

主要成果:

• 虽然LSTM模型的训练时间较长,但其性能优越 (R2 ≈ 0.857,RMSE ≈ 4.26 μg/m3).
• XGBoost和RF模型提供了良好的准确度 (R2 ≈ 0.76) 和更快的训练 (<1分钟) 的平衡.
• 选择的ML模型和包显著影响了准确性,而数据分割比率的影响最小.

结论:

• 人工智能/ML模型,特别是LSTM,可以有效地校准低成本传感器,以获得精确的,局部化的空气质量数据.
• 树增强模型为需要快速校准的应用提供了实用的替代方案.
• 这项研究为改善空气质量监测和为公共卫生政策提供信息提供了一个全面的框架.