基于光学PM微传感器的实时污染物识别

空气污染是现代时代最紧迫的环境挑战之一，对人类健康、生态系统和气候产生显著影响。虽然传统的空气质量监测系统提供关键数据，但其高成本和有限的空间覆盖范围仍阻碍了有效的实时污染物识别。最近的微型传感器技术进步提高了数据收集，但仍缺乏有效的来源识别方法。本文探索了利用机器学习（ML）模型仅使用光学微传感器数据对污染物进行实时分类的创新应用。我们提出了一种新型分类框架，能够区分四种污染场景：背景污染、灰烬、沙粒和蜡烛。对三种机器学习（ML）方法——XGBoost、长短期记忆网络和隐藏马尔可夫链——进行评估，以评估其在序列建模和污染物识别中的有效性。我们的结果表明，利用微型传感器和ML技术的潜力可用于提升空气质量监测，为城市规划和环境保护提供可操作的见解。