低成本的LoRaWAN基于物联网空气质量监测器的校准使用超级学习组合:准确颗粒物质测量的案例研究
Gokul Balagopal1, Lakitha Wijeratne1, John Waczak1
1Hanson Center for Space Sciences, University of Texas at Dallas, Richardson, TX 75080, USA.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
这项研究开发了一种低成本的太阳能空气质量监测器,使用LoRaWAN技术和机器学习来准确检测颗粒物 (PM). 该系统为需要可靠的环境监测的智能城市提供了可扩展的解决方案.
科学领域:
- 环境科学 环境科学
- 传感器技术 传感器技术
- 机器学习 机器学习
背景情况:
- 越来越需要在智能城市中进行可持续和成本效益的空气质量监测.
- 传统监测网络在空间覆盖和准确性方面的局限性.
- 低成本传感器与混合网络的研究级仪器的集成.
研究的目的:
- 为了校准一个太阳能驱动的LoRaWAN空气质量监测原型.
- 通过机器学习,提高低资源环境中的颗粒物物质 (PM) 监测准确度.
- 为城市空气质量评估创建一个可扩展,具有成本效益的解决方案.
主要方法:
- 在不同的气候条件下,LoRaWAN设备和Palas Fidas Frog研究级传感器的同位.
- 使用超级学习器机器学习技术精确校准颗粒度.
- 与温度,压力和湿度等气象参数一起测量PM水平.
主要成果:
- 超级学习者模型获得了0.96.6的高平均测试R平方值.
- 由校准模型证明的PM2.5 (0.99) 和PM10.0 (0.91) 的特殊精度.
- 成功整合低成本传感器与先进的校准技术.
结论:
- 开发的LoRaWAN空气质量监测器为城市监测提供了可行和准确的解决方案.
- 超级学习者校准方法显著提高了低成本传感器的可靠性.
- 这种混合方法为解决空气污染问题的智慧城市倡议提供了一个可扩展的工具.


