使用机器学习增强的低成本设备监测空气污染

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:

• 空气污染对全球健康构成重大风险,需要全面监测空气质量.
• 由于参考级站的高成本,目前的监测网络往往不足.
• 低成本的传感器为广泛的空气质量评估提供了潜在的解决方案.

研究的目的:

• 调查机器学习在提高低成本空气质量传感器准确性的有效性.
• 解决与传感器交叉灵敏度,环境因素和制造变化相关的挑战.
• 为了确定单个传感器校准模型是否优于通用校正方法.

主要方法:

• 与参考级空气质量站一起部署了具有成本效益的空气污染监测设备.
• 在各种条件下收集的传感器响应数据.
• 训练和评估机器学习模型,包括个性化定制的算法,以纠正传感器读数.

主要成果:

• 机器学习模型显著提高了低成本传感器测量的精度.
• 个别定制的模型将与参考工具的相关性提高了高达10%.
• 观察到类似传感器单元之间的性能不一致,阻碍了为传感器类型开发单个校正模型.

结论:

• 机器学习,特别是与个性化的传感器模型,是一个可行的策略,以提高低成本的空气质量监测准确性.
• 解决传感器特定变异对于可靠和广泛部署负担得起的空气质量监测解决方案至关重要.
• 需要进一步的研究,以克服传感器间的变异性,以便在空气质量网络中建立强大的统一校正模型.