Nutzung temporaler Informationen zur Verbesserung von maschinellen Lernkalibrierungstechniken für kostengünstige Luftqualitäts-Sensoren

Kostengünstige Umweltsensoren wurden als vielversprechende Technologie zur Überwachung von Luftverschmutzung mit hoher spatio-temporaler Auflösung identifiziert. Allerdings sind die von diesen kostengünstigen Sensoren erfassten Schadstoffdaten weniger genau als die ihrer herkömmlichen Gegenstücke und benötigen eine sorgfältige Kalibrierung, um ihre Genauigkeit und Zuverlässigkeit zu verbessern. In diesem Papier schlagen wir vor, temporale Informationen, wie die Einsatzdauer eines Sensors und die Tageszeit, zu der die Messung vorgenommen wurde, zu nutzen, um die Kalibrierung kostengünstiger Sensoren zu verbessern. Diese Informationen sind leicht verfügbar und wurden in der bisher dokumentierten Literatur für die Kalibrierung kostengünstiger Umweltsensoren für gasförmige Schadstoffe bislang nicht genutzt. Wir verwenden drei Datensätze, die von Forschungsgruppen weltweit gesammelt wurden, die die Daten von im Feld eingesetzten kostengünstigen CO- und NO2-Sensoren, die gemeinsam mit genauen Referenzsensoren positioniert wurden, erhielten. Unsere Untersuchung zeigt, dass die Nutzung temporaler Informationen als Kovariate die Genauigkeit gängiger kalibrierungstechniken auf Basis des maschinellen Lernens, wie Random Forest und Long Short-Term Memory, erheblich verbessern kann.