移动场景下低成本 PM2.5 传感器的性能评估
应用统计
2023-01-11 v1
摘要
用于测量空气污染物的低成本传感器(LCS)正日益部署于移动应用中，但关于测量质量的问题仍待解答。例如，在移动场景下校正 LCS 数据的最佳方式是什么？哪些因素最显著地导致移动 LCS 数据与更高质量仪器之间的差异？LCS 数据能否用于识别热点并生成可泛化的污染物浓度图？为助力解决这些问题，我们在美国马萨诸塞州波士顿的一辆移动实验室中部署了低成本 PM2.5 传感器(Alphasense OPC-N3)和一台研究级仪器(TSI DustTrak)。我们首先将这些仪器与附近监管站点的固定式 PM2.5 参考监测器共置。接着，利用参考测量值，我们开发了不同模型来校正 OPC-N3 和 DustTrak 测量值，并将校正迁移至移动场景。我们观察到，更复杂的校正模型在固定场景下似乎优于更简单的模型；然而，当迁移至移动场景时，校正后的 OPC-N3 测量值与校正后的 DustTrak 数据一致性较差。总体而言，使用分钟级共置测量开发的校正比使用小时平均数据开发的校正更好地迁移至移动场景。移动实验室速度、OPC-N3 相对于行进方向的朝向、日期、一天中的小时以及道路等级共同解释了移动部署期间校正后 OPC-N3 与 DustTrak 测量值之间一小但显著的变化量。OPC-N3 识别的持续热点与 DustTrak 识别的一致。类似地，由移动校正后 OPC-N3 和 DustTrak 测量值生成的 PM2.5 分布图吻合良好。
引用
@article{arxiv.2301.03847,
title = {Evaluating the Performance of Low-Cost PM2.5 Sensors in Mobile Settings},
author = {Priyanka deSouza and An Wang and Yuki Machida and Tiffany Duhl and Simone Mora and Prashant Kumar and Ralph Kahn and Carlo Ratti and John L. Durant and Neelakshi Hudda},
journal= {arXiv preprint arXiv:2301.03847},
year = {2023}
}
备注
43 pages