[论文解读] Low-Cost Outdoor Air Quality Monitoring and Sensor Calibration: A Survey and Critical Analysis

Francesco Concas, Julien Mineraud+6 more|arXiv (Cornell University)|Dec 13, 2019

Air Quality Monitoring and Forecasting参考文献 145被引用 24

一句话总结

本文综述了基于机器学习的低成本室外空气质量传感器校准技术，解决了其因交叉敏感性和环境漂移导致的固有不准确性。研究表明，利用机器学习模型定期重新校准可显著提高测量精度和空间分辨率，从而在传感器性能受限的情况下实现密集的城市监测网络。

ABSTRACT

The significance of air pollution and the problems associated with it are fueling deployments of air quality monitoring stations worldwide. The most common approach for air quality monitoring is to rely on environmental monitoring stations, which unfortunately are very expensive both to acquire and to maintain. Hence environmental monitoring stations are typically sparsely deployed, resulting in limited spatial resolution for measurements. Recently, low-cost air quality sensors have emerged as an alternative that can improve the granularity of monitoring. The use of low-cost air quality sensors, however, presents several challenges: they suffer from cross-sensitivities between different ambient pollutants; they can be affected by external factors, such as traffic, weather changes, and human behavior; and their accuracy degrades over time. Periodic re-calibration can improve the accuracy of low-cost sensors, particularly with machine-learning-based calibration, which has shown great promise due to its capability to calibrate sensors in-field. In this article, we survey the rapidly growing research landscape of low-cost sensor technologies for air quality monitoring and their calibration using machine learning techniques. We also identify open research challenges and present directions for future research.

研究动机与目标

• 分析低成本室外空气质量传感器的现状及其部署挑战。
• 评估用于校准低成本传感器的机器学习技术，以提高测量精度。
• 识别传感器校准中的关键研究空白，包括数据稀缺性、概念漂移以及缺乏多污染物模型。
• 探索5G和边缘计算带来的新兴机遇，以实现可扩展的、实时的空气质量监测系统。

提出的方法

• 对2010年至2019年期间关于低成本空气质量传感器及基于机器学习的校准技术的同行评审文献进行系统性综述。
• 对传感器类型（气态、颗粒物、环境类）及其交叉敏感性进行分类。
• 分析涉及数据预处理、特征工程和使用基准站数据进行模型训练的校准流程。
• 评估回归模型、集成方法和在线学习等机器学习技术在实地校准中的应用。
• 研究利用代理变量构建虚拟传感器的方法，以基于现有传感器数据估算未测量的污染物。
• 评估5G和边缘计算等新兴技术在实现实时、高密度监测网络中的潜力。

实验结果

研究问题

• RQ1 低成本空气质量传感器在精度和空间分辨率方面与专业级监测站相比如何？
• RQ2 在真实、动态环境中，哪些机器学习技术在校准低成本传感器方面最为有效？
• RQ3 影响长期校准性能的主要挑战有哪些，例如概念漂移和传感器退化？
• RQ4 虚拟传感器和代理变量如何减少在密集监测网络中对昂贵专用传感器的依赖？
• RQ5 5G和边缘计算在实现可扩展的、实时空气质量监测系统中发挥什么作用？

主要发现

• 低成本传感器可实现高空间分辨率的空气质量监测，但因交叉敏感性和环境干扰导致精度较差。
• 基于机器学习的校准可显著提升传感器精度，尤其在使用长期、多污染物数据集进行训练时效果更明显。
• 概念漂移是一个主要挑战，大多数研究因测量周期较短而未能评估长期性能。
• 仅有1项研究（Cheng et al.）评估了校准性能在实际应用中的表现，结果表明校准模型可显著影响空气质量指数的计算。
• 利用代理变量的虚拟传感器可估算未测量的污染物（例如，通过PM传感器估算黑碳），从而降低硬件成本并支持更密集的部署。
• 5G和边缘计算具有显著优势，包括网络能耗降低10倍，并支持城市环境中实时数据处理和高光谱传感。