MAQ-CaF：一种面向交叉敏感污染物的模块化空气质量校准与预测方法
机器学习
2021-04-27 v1 系统与控制
系统与控制
摘要
气候挑战在全球范围内加剧，在受冲击最严重的欠发达国家尤其如此。如今，以低成本部署对污染物进行准确测量和预测的需求比以往任何时候都更为迫切。低成本空气质量监测传感器容易出现错误测量、频繁停机和不确定的运行条件。这种情况要求一种审慎的方法来确保有效且灵活的校准方案。我们提出MAQ-CaF，一种模块化的空气质量校准与预测方法，其通过基于模块化机器学习的设计规避不可靠性挑战，并利用了IoT框架的潜力。它将校准数据存储在本地和远程，并带有未来预测功能。我们专门设计的验证过程有助于在不牺牲精度的情况下确立所提方案的适用性与灵活性。CO、SO2、NO2、O3、PM1.0、PM2.5和PM10以合理精度得到校准与监测。这一尝试是通过在更广地理区域内以可负担的监测进行适当的监测与空气质量追踪，来应对气候变化全球挑战的一步。
引用
@article{arxiv.2104.12594,
title = {MAQ-CaF: A Modular Air Quality Calibration and Forecasting method for cross-sensitive pollutants},
author = {Yousuf Hashmy and ZillUllah Khan and Rehan Hafiz and Usman Younis and Tausif Tauqeer},
journal= {arXiv preprint arXiv:2104.12594},
year = {2021}
}