Un modelo sustituto optimizado bayesianamente que integra algoritmos de aprendizaje profundo para corregir las mediciones de los sensores PurpleAir
Autores: Ahmed, Masrur; Kong, Jing; Jiang, Ningbo; Duc, Hiep Nguyen; Puppala, Praveen; Azzi, Merched; Riley, Matthew; Barthelemy, Xavier
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un modelo sustituto optimizado bayesianamente que integra algoritmos de aprendizaje profundo para corregir las mediciones de los sensores PurpleAir
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Sensores de bajo costo
Monitoreo de la calidad del aire
Sensores PurpleAir
Modelo BaySurcls
Precisión en la medición de PM2.5
Variables ambientales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Los sensores de bajo costo se utilizan ampliamente para el monitoreo de la calidad del aire debido a su asequibilidad, portabilidad y fácil mantenimiento. Sin embargo, el rendimiento de dichos sensores, como los Sensores PurpleAir (PAS), a menudo se ve afectado por cambios en las condiciones ambientales (por ejemplo, temperatura y humedad) o de emisión, y por lo tanto, las mediciones resultantes requieren correcciones para garantizar precisión y validez. Los métodos de corrección tradicionales, como los desarrollados por la USEPA, tienen limitaciones, particularmente para aplicaciones en entornos geográficamente diversos y sensores sin estaciones de monitoreo de referencia colocalizadas disponibles. Este estudio presenta BaySurcls, un modelo sustituto optimizado bayesiano que integra algoritmos de aprendizaje profundo (DL) para mejorar la precisión de las mediciones de PM2.5 del sensor PurpleAir (PAS2.5). El marco incorpora variables ambientales como la humedad y la temperatura junto con características de aerosoles, para refinar las lecturas del sensor. El modelo BaySurcls corrige los datos de PAS2.5 tanto para escenarios de monitoreo colocalizados como no colocalizados. En un estudio de caso en múltiples ubicaciones en Nueva Gales del Sur, Australia, BaySurcls demostró mejoras significativas sobre los métodos de corrección tradicionales, incluido el modelo de la USEPA. BaySurcls redujo el error cuadrático medio (RMSE) en un promedio del 20% en escenarios colocalizados, con reducciones de hasta el 25% en sitios de alta variación. Además, BaySurcls logró puntajes de Eficiencia de Nash-Sutcliffe (NSE) de hasta 0.88 en casos colocalizados, en comparación con puntajes por debajo de 0.4 para el método de la USEPA. En escenarios no colocalizados, BaySurcls mantuvo valores de NSE entre 0.60 y 0.78, superando a los modelos independientes. Esta mejora es evidente en múltiples ubicaciones en Nueva Gales del Sur, Australia, demostrando la adaptabilidad del modelo. Los hallazgos confirman a BaySurcls como una solución prometedora para mejorar la fiabilidad de los datos de sensores de bajo costo, facilitando así su uso válido en la investigación de la calidad del aire, la evaluación de impactos y la gestión ambiental.
Descripción
Los sensores de bajo costo se utilizan ampliamente para el monitoreo de la calidad del aire debido a su asequibilidad, portabilidad y fácil mantenimiento. Sin embargo, el rendimiento de dichos sensores, como los Sensores PurpleAir (PAS), a menudo se ve afectado por cambios en las condiciones ambientales (por ejemplo, temperatura y humedad) o de emisión, y por lo tanto, las mediciones resultantes requieren correcciones para garantizar precisión y validez. Los métodos de corrección tradicionales, como los desarrollados por la USEPA, tienen limitaciones, particularmente para aplicaciones en entornos geográficamente diversos y sensores sin estaciones de monitoreo de referencia colocalizadas disponibles. Este estudio presenta BaySurcls, un modelo sustituto optimizado bayesiano que integra algoritmos de aprendizaje profundo (DL) para mejorar la precisión de las mediciones de PM2.5 del sensor PurpleAir (PAS2.5). El marco incorpora variables ambientales como la humedad y la temperatura junto con características de aerosoles, para refinar las lecturas del sensor. El modelo BaySurcls corrige los datos de PAS2.5 tanto para escenarios de monitoreo colocalizados como no colocalizados. En un estudio de caso en múltiples ubicaciones en Nueva Gales del Sur, Australia, BaySurcls demostró mejoras significativas sobre los métodos de corrección tradicionales, incluido el modelo de la USEPA. BaySurcls redujo el error cuadrático medio (RMSE) en un promedio del 20% en escenarios colocalizados, con reducciones de hasta el 25% en sitios de alta variación. Además, BaySurcls logró puntajes de Eficiencia de Nash-Sutcliffe (NSE) de hasta 0.88 en casos colocalizados, en comparación con puntajes por debajo de 0.4 para el método de la USEPA. En escenarios no colocalizados, BaySurcls mantuvo valores de NSE entre 0.60 y 0.78, superando a los modelos independientes. Esta mejora es evidente en múltiples ubicaciones en Nueva Gales del Sur, Australia, demostrando la adaptabilidad del modelo. Los hallazgos confirman a BaySurcls como una solución prometedora para mejorar la fiabilidad de los datos de sensores de bajo costo, facilitando así su uso válido en la investigación de la calidad del aire, la evaluación de impactos y la gestión ambiental.