通过机器学习方法推进低成本的空气质量监测器校准
Sinan Sousan1, Rui Wu2, Ciprian Popoviciu3
1Department of Public Health, Brody School of Medicine, East Carolina University, Greenville, NC, 27858, USA; North Carolina Agromedicine Institute, Greenville, NC, 27858, USA; Center for Human Health and the Environment, NC State University, Raleigh, NC, USA.
Environmental pollution (Barking, Essex : 1987)
|April 5, 2025
概括
机器学习模型可以校准低成本的空气质量监测器,显著提高其准确性. 这种方法使用单一的高成本仪器来增强大型负担得起的传感器网络,使空气质量监测更容易获得.
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:
- 低成本的空气质量监测仪很受欢迎,但与参考仪器相比,它们往往不准确.
- 校准需要昂贵的,稀缺的参考设备,限制广泛使用.
- 准确的空气质量数据对于公共卫生和环境监测至关重要.
研究的目的:
- 开发和评估低成本空气质量监测器的机器学习 (ML) 校准方法.
- 通过使用单一的高成本参考仪器,提高联网低成本传感器的准确性.
- 为准确的空气污染物监测提供可扩展和成本有效的解决方案.
主要方法:
- 使用了三种ML模型:线性回归,随机森林和梯度增强回归 (GBR).
- 在受控的室内环境中测试,含有盐/尘埃气溶和电子烟 (ECIG) 排放.
- 雇佣了30个低成本的GeoAir2监视器,使用一个高成本的仪器进行校准.
主要成果:
- 实现了显著的精度改进,R平方值从0.91到1.00.
- 在不同型号和气溶中,根平均平方误差 (RMSE) 降低了高达88%.
- GBR表现出卓越的性能,特别是对于复杂的数据模式,而线性回归则提供了计算效率.
结论:
- 基于ML的校准有效地提高了低成本空气质量监测网络的准确性.
- 对于高精度,建议使用GBR,以线性回归作为更快的替代方案.
- 提出的方法为部署精确的传感器网络提供了可扩展,具有成本效益的方法.
