La calibración de campo de sensores de monitoreo de calidad del aire (AQ) de bajo costo es esencial para su funcionamiento exitoso. Los sensores de bajo costo a menudo exhiben respuestas no lineales a los contaminantes del aire y sus señales pueden verse afectadas por la presencia de múltiples compuestos, lo que hace que su calibración sea un desafío. Investigamos diferentes enfoques para la calibración de campo de un dispositivo de monitoreo de AQ llamado ENSENSIA, desarrollado en el Instituto de Ciencias de Ingeniería Química en Grecia. El presente estudio se centra en las mediciones de dos de los contaminantes más importantes medidos por ENSENSIA: NO y O. El sitio de medición está ubicado en el centro de Patras, la tercera ciudad más grande de Grecia. Se utilizó instrumentación de referencia empleada para fines regulatorios por la Región de Grecia Occidental como estándar de evaluación. Los sensores se instalaron durante dos años en las mismas ubicaciones. Las mediciones del primer año (2021) de siete sensores ENSENSIA (NO, NO, O, CO, PM, temperatura y humedad relativa) se utilizaron para entrenar varios algoritmos de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL). Los algoritmos de calibración resultantes se evaluaron utilizando datos del segundo año (2022). El algoritmo de Bosque Aleatorio mostró el mejor rendimiento en la corrección de O y NO. Para NO, el error medio se redujo de 9.4 ppb a 3 ppb, mientras que R mejoró de 0.22 a 0.86. Se obtuvieron resultados similares para O, donde el error medio se redujo de 13 a 4.3 ppb y R aumentó de 0.52 a 0.69. La Red de Memoria a Largo y Corto Plazo (LSTM) también mostró un buen rendimiento en la corrección de las mediciones de los dos contaminantes.