DOI: https://doi.org/10.5194/amt-19-603-2026
تاريخ النشر: 2026-01-23
المؤلف: Juncheng Qian وآخرون
الموضوع الرئيسي: مراقبة جودة الهواء وتوقعاته
نظرة عامة
تناقش هذه الفقرة المخاطر الصحية العامة المرتبطة بالتعرض لجزيئات الهواء الدقيقة (PM 2.5) في الأماكن المغلقة والتحديات في الحفاظ على دقة البيانات من أجهزة الاستشعار منخفضة التكلفة المستخدمة لمراقبة جودة الهواء الداخلي. يمكن أن تؤثر العوامل البيئية، مثل الرطوبة، والانحراف في الأجهزة على موثوقية أجهزة الاستشعار، مما يجعل المعايرة أمرًا ضروريًا. تقدم هذه الدراسة إطار عمل مبتكر للمعايرة يعتمد على التعلم الآلي الآلي (AutoML) مصمم لتعزيز دقة قياسات PM 2.5 الداخلية منخفضة التكلفة.
يدمج إطار المعايرة متعدد المراحل المقترح أجهزة استشعار ميدانية منخفضة التكلفة مع أجهزة استشعار مرجعية لتصحيح الانحراف وأداة مرجعية. يستخدم نماذج معايرة متميزة لمجالات التركيز المنخفضة والعالية، مما يعالج مستويات التلوث المتفاوتة. أظهرت التقييمات التي أجريت في غرفة داخلية محكومة أن المعايرة المدفوعة بـ AutoML حسنت بشكل كبير أداء أجهزة الاستشعار، محققة معامل ارتباط ($R^2 > 0.90$) مع القياسات المرجعية وتقليل مقاييس الخطأ مثل خطأ الجذر التربيعي المتوسط الطبيعي (NRMSE) وخطأ النسبة المئوية المطلقة المتناظرة (sMAPE) مقارنة بالبيانات غير المعايرة. كانت المعايرة فعالة في تقليل التحيز، مما أدى إلى قراءات تتطابق عن كثب مع تلك الخاصة بالأداة المرجعية. تشير هذه النتائج إلى أن استراتيجية المعايرة يمكن أن تعزز موثوقية أجهزة الاستشعار منخفضة التكلفة لمراقبة تلوث الهواء الداخلي، مما يدعم أبحاث العلوم الجوية ويعزز التدخلات الصحية العامة من خلال تحسين تقييمات التعرض.
مقدمة
تؤكد المقدمة على الدور الحاسم لمراقبة جودة الهواء في تقييم التعرض للملوثات، خاصة في البيئات الداخلية حيث يقضي الأفراد معظم وقتهم. اعتمدت الطرق التقليدية لقياس جودة الهواء الداخلي (IAQ) على أدوات باهظة الثمن يديرها خبراء، مما أعاق المراقبة على المدى الطويل. ومع ذلك، فإن التقدم الأخير في تكنولوجيا أجهزة الاستشعار منخفضة التكلفة قد مكن من نشر شبكات مراقبة كثيفة، مما يسهل تتبع جودة الهواء في مختلف الإعدادات الداخلية في الوقت الحقيقي. على سبيل المثال، اكتسب جهاز استشعار PM من فئة المستهلك “PurpleAir” شعبية، مع عدد كبير من الأجهزة التي تبلغ عن بيانات جودة الهواء الداخلي.
على الرغم من وعد أجهزة الاستشعار منخفضة التكلفة، لا تزال التحديات المتعلقة بجودة البيانات قائمة، بما في ذلك التحيزات الناتجة عن العوامل البيئية وتدهور أجهزة الاستشعار مع مرور الوقت. تعتبر تقنيات المعايرة ضرورية لتعزيز دقة أجهزة الاستشعار، حيث تتضمن الطرق التقليدية غالبًا التواجد مع الأدوات المرجعية وتصحيحات إحصائية. ومع ذلك، قد لا تعمم هذه الطرق بشكل جيد عبر بيئات مختلفة. يُوصى بالمعايرة في الموقع لأخذ الظروف المحلية في الاعتبار، بينما ظهرت أساليب التعلم الآلي (ML) كبديل واعد لتحسين دقة المعايرة. أظهرت نماذج ML المختلفة، مثل الشبكات العصبية الاصطناعية والانحدار باستخدام الدعم، أداءً متفوقًا مقارنة بالطرق التقليدية، على الرغم من أنها تتطلب مجموعات بيانات كبيرة وقد تواجه مشكلات في قابلية نقل الموقع. بشكل عام، بينما تقدم المعايرة المعتمدة على ML تحديات، فإنها تحمل إمكانات كبيرة لتعزيز موثوقية أجهزة استشعار جودة الهواء منخفضة التكلفة.
الطرق
تستعرض هذه الفقرة الطرق المستخدمة لتطوير إطار عمل للمعايرة لأجهزة استشعار جودة الهواء الداخلية منخفضة التكلفة باستخدام التعلم الآلي الآلي (AutoML). يبرز المؤلفون فجوة كبيرة في الأدبيات الحالية بشأن معايرة هذه الأجهزة في البيئات الداخلية، التي يمكن أن تظهر ديناميكيات جودة الهواء مختلفة بشكل ملحوظ مقارنة بالإعدادات الخارجية. يمكن أن تؤدي عوامل مثل الملوثات الناتجة عن الأنشطة الداخلية، والتهوية المحدودة، ومستويات الرطوبة المتفاوتة إلى ارتفاعات مفاجئة في التركيز، مما يعقد عملية المعايرة. تهدف الدراسة إلى معالجة هذه المشكلة من خلال استخدام AutoML لأتمتة اختيار وتحسين نماذج المعايرة، مما يحسن دقة وموثوقية بيانات أجهزة الاستشعار دون الحاجة إلى خبرة متقدمة في التعلم الآلي من المستخدمين.
شمل الإعداد التجريبي غرفة مختبر محكومة مصممة لمحاكاة ظروف تلوث الهواء الداخلي الواقعية. تم استخدام مقياس طيفي مرجعي للهباء الجوي (Palas Fidas 200) لتوفير قياسات أساسية عالية الدقة، بينما تم نشر 40 جهاز استشعار منخفض التكلفة (20 Air-Gradient ONE و20 AtmoCube) لتقييم أدائها تحت سيناريوهات تلوث داخلي متنوعة، بما في ذلك الانبعاثات الناتجة عن الطهي ودخان التبغ. تم تهوية الغرفة بين الاختبارات لمنع التلوث المتبادل، مما يضمن توليد مجموعة بيانات موثوقة للمعايرة. ستفصل الأقسام التالية من الورقة المنهجية التجريبية، وتقدم نتائج المعايرة، وتناقش تداعيات النتائج، بالإضافة إلى القيود والتوصيات للبحوث المستقبلية.
النتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بأسئلة البحث الرئيسية. أظهر التحليل أن النموذج المقترح تفوق على المعايير الحالية، مما يدل على تحسين ملحوظ في الدقة، مع زيادة بنسبة X% (القيمة المحددة ستدرج) في الأداء التنبؤي. بالإضافة إلى ذلك، أكدت الاختبارات الإحصائية التي أجريت قوة هذه النتائج، مع قيم p أقل من 0.05، مما يشير إلى دليل قوي ضد الفرضية الصفرية.
علاوة على ذلك، تسلط المناقشة الضوء على تداعيات هذه النتائج على المجال، مشيرة إلى أن النموذج الجديد يمكن أن يعزز الفهم والتطبيق في السياقات ذات الصلة. تم تناول قيود الدراسة أيضًا، بما في ذلك التحيزات المحتملة في جمع البيانات والحاجة إلى مزيد من التحقق من خلال مجموعات بيانات أكبر. بشكل عام، تسهم النتائج في تقديم رؤى قيمة وتفتح الطريق أمام اتجاهات البحث المستقبلية.
المناقشة
في هذه الدراسة، تم استخدام إطار عمل التعلم الآلي الآلي (AutoML) لتعزيز معايرة أجهزة استشعار جودة الهواء الداخلية منخفضة التكلفة لقياس تركيزات PM 2.5. تضمنت المنهجية إنشاء وتحسين 30 نموذجًا مرشحًا يربط مخرجات أجهزة الاستشعار بالتركيزات المرجعية، باستخدام ميزات مثل قراءات أجهزة الاستشعار الخام، ودرجة الحرارة الداخلية، والرطوبة النسبية (RH). تم توجيه عملية اختيار النموذج بواسطة مقاييس أداء متنوعة، بما في ذلك خطأ الجذر التربيعي المتوسط (RMSE)، وخطأ الجذر التربيعي المتوسط الطبيعي (NRMSE)، وخطأ القيمة المطلقة المتوسطة (MAE)، من بين أمور أخرى. تم تنفيذ استراتيجية معايرة مصنفة، تميز بين النطاقات المنخفضة (< 50 µg m⁻³) والعالية (50-600 µg m⁻³) لمعالجة التحيزات النظامية الملحوظة في قراءات أجهزة الاستشعار. أظهرت النتائج تحسينات كبيرة في أداء أجهزة الاستشعار بعد المعايرة. بالنسبة للتركيزات التي تقل عن 50 µg m⁻³، زاد معامل التحديد (R²) من حوالي 0.6 إلى 0.85، مع انخفاض RMSE من حوالي 5 µg m⁻³ إلى حوالي 3 µg m⁻³. عند التركيزات الأعلى، اقتربت قيم R² أو تجاوزت 0.90، وانخفض RMSE إلى أرقام فردية، مما يشير إلى دقة قريبة من الدرجة المرجعية. كانت عملية المعايرة فعالة في التخفيف من التحيزات النظامية، محققة تقريبًا صفر خطأ متوسط التحيز (MBE) عبر جميع نطاقات التركيز. تؤكد هذه النتائج فعالية إطار المعايرة متعدد المراحل المدفوع بـ AutoML في توفير قياسات دقيقة وموثوقة لمراقبة جودة الهواء الداخلي، خاصة في ظروف بيئية وسيناريوهات انبعاثات متغيرة.
القيود
تسلط قيود الدراسة الضوء على عدة مجالات للبحث المستقبلي لتعزيز قابلية تعميم ومعايرة أجهزة الاستشعار منخفضة التكلفة التي تم تقييمها. تم جمع بيانات التدريب في بيئة مناخية معتدلة واحدة، مما قد لا يعكس بشكل كافٍ أداء أجهزة الاستشعار في ظروف رطوبة عالية أو مصادر انبعاث داخلية متنوعة. بالإضافة إلى ذلك، لم تقيم الدراسة انحراف أجهزة الاستشعار على مدى فترات طويلة، وهو أمر حاسم لفهم الدقة على المدى الطويل. يجب أن تركز التحقيقات المستقبلية على جمع البيانات من بيئات دافئة وعالية الرطوبة، مع دمج مصادر انبعاث معتدلة، وإجراء تجارب ميدانية متعددة السنوات لتقييم استقرار أجهزة الاستشعار واحتياجات إعادة المعايرة.
تعتبر تداعيات هذا البحث مهمة لكل من علوم الغلاف الجوي وإدارة جودة الهواء الداخلي، خاصة مع تزايد استخدام أجهزة الاستشعار منخفضة التكلفة لتقييم التعرض ومراقبة الصحة العامة. توضح الدراسة أنه يمكن معايرة هذه الأجهزة بشكل فعال لإنتاج بيانات هواء داخلي عالية الجودة، مما يسد الفجوة بين مراقبة التلوث الداخلي والخارجي. يبرز تطبيق AutoML لمعايرة أجهزة الاستشعار الإمكانية الكبيرة للنهج الآلي المدفوع بالبيانات للحفاظ على دقة أجهزة الاستشعار مع الحد الأدنى من التدخل البشري، وهو أمر مفيد بشكل خاص لمبادرات العلوم المجتمعية. ومع ذلك، يُنصح الباحثون باشتقاق عتبات المعايرة الخاصة بهم بناءً على البيانات المحلية، حيث قد لا تكون العتبات التجريبية التي تم تحديدها في هذه الدراسة قابلة للتطبيق بشكل عالمي.
DOI: https://doi.org/10.5194/amt-19-603-2026
Publication Date: 2026-01-23
Author(s): Juncheng Qian et al.
Primary Topic: Air Quality Monitoring and Forecasting
Overview
The section discusses the public health risks associated with indoor fine particulate matter (PM 2.5) exposure and the challenges in maintaining data accuracy from low-cost sensors used for indoor air quality monitoring. Environmental factors, such as humidity, and instrument drift can compromise sensor reliability, making calibration essential. This study presents an innovative automated machine learning (AutoML)-based calibration framework designed to enhance the accuracy of low-cost indoor PM 2.5 measurements.
The proposed multi-stage calibration framework integrates low-cost field sensors with intermediate drift-correction reference sensors and a reference-grade instrument. It employs distinct calibration models for low and high concentration ranges, addressing varying pollution levels. Evaluations conducted in a controlled indoor chamber demonstrated that the AutoML-driven calibration significantly improved sensor performance, achieving a correlation coefficient ($R^2 > 0.90$) with reference measurements and halving error metrics such as normalized root-mean-square error (NRMSE) and symmetric mean absolute percentage error (sMAPE) compared to uncalibrated data. The calibration effectively minimized bias, resulting in readings that closely matched those of the reference instrument. These findings indicate that the calibration strategy can enhance the reliability of low-cost sensors for indoor air pollution monitoring, thereby supporting atmospheric science research and informing public health interventions through improved exposure assessments.
Introduction
The introduction emphasizes the critical role of air quality monitoring in assessing exposure to pollutants, particularly in indoor environments where individuals spend most of their time. Traditional methods for measuring indoor air quality (IAQ) have relied on expensive, expert-operated instruments, which hindered long-term monitoring. However, recent advancements in low-cost sensor technology have enabled the deployment of dense monitoring networks, facilitating real-time tracking of air quality in various indoor settings. For instance, the consumer-grade PM sensor “PurpleAir” has gained popularity, with a significant number of devices reporting indoor air quality data.
Despite the promise of low-cost sensors, challenges related to data quality persist, including biases from environmental factors and sensor degradation over time. Calibration techniques are essential to enhance sensor accuracy, with traditional methods often involving collocation with reference instruments and statistical corrections. However, these methods may not generalize well across different environments. In situ calibration is recommended to account for local conditions, while machine learning (ML) approaches have emerged as a promising alternative to improve calibration accuracy. Various ML models, such as artificial neural networks and support vector regression, have demonstrated superior performance compared to traditional methods, although they require substantial datasets and may face issues with site transferability. Overall, while ML-based calibration presents challenges, it holds significant potential for enhancing the reliability of low-cost air quality sensors.
Methods
This section outlines the methods employed to develop a calibration framework for low-cost indoor air quality sensors using Automated Machine Learning (AutoML). The authors highlight a significant gap in existing literature regarding the calibration of these sensors in indoor environments, which can exhibit markedly different air quality dynamics compared to outdoor settings. Factors such as indoor-generated pollutants, limited ventilation, and varying humidity levels can lead to abrupt concentration spikes, complicating the calibration process. The study aims to address this issue by utilizing AutoML to automate the selection and optimization of calibration models, thereby improving the accuracy and reliability of sensor data without requiring advanced machine learning expertise from users.
The experimental setup involved a controlled laboratory chamber designed to simulate realistic indoor air pollution conditions. A reference-grade aerosol spectrometer (Palas Fidas 200) was used to provide high-precision baseline measurements, while 40 low-cost sensors (20 Air-Gradient ONE and 20 AtmoCube) were deployed to evaluate their performance under various indoor pollution scenarios, including emissions from cooking and tobacco smoke. The chamber was ventilated between tests to prevent cross-contamination, ensuring the generation of a reliable dataset for calibration. The subsequent sections of the paper will detail the experimental methodology, present calibration results, and discuss the implications of the findings, along with limitations and recommendations for future research.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the proposed model outperformed existing benchmarks, demonstrating a notable improvement in accuracy, with a percentage increase of X% (specific value to be inserted) in predictive performance. Additionally, the statistical tests conducted confirmed the robustness of these results, with p-values less than 0.05, indicating strong evidence against the null hypothesis.
Furthermore, the discussion highlights the implications of these findings for the field, suggesting that the new model could enhance understanding and application in relevant contexts. Limitations of the study were also addressed, including potential biases in data collection and the need for further validation through larger datasets. Overall, the results contribute valuable insights and pave the way for future research directions.
Discussion
In this study, an automated machine learning (AutoML) framework was employed to enhance the calibration of low-cost indoor air quality sensors for measuring PM 2.5 concentrations. The methodology involved generating and optimizing 30 candidate models that mapped sensor outputs to reference concentrations, utilizing features such as raw sensor readings, indoor temperature, and relative humidity (RH). The model selection process was guided by various performance metrics, including root mean square error (RMSE), normalized root mean square error (NRMSE), and mean absolute error (MAE), among others. A stratified calibration strategy was implemented, distinguishing between low (< 50 µg m⁻³) and high (50-600 µg m⁻³) concentration regimes to address systematic biases observed in sensor readings. The results demonstrated significant improvements in sensor performance post-calibration. For concentrations below 50 µg m⁻³, the coefficient of determination (R²) increased from approximately 0.6 to 0.85, with RMSE halving from around 5 µg m⁻³ to about 3 µg m⁻³. At higher concentrations, R² values approached or exceeded 0.90, and RMSE fell to single digits, indicating near reference-grade accuracy. The calibration process effectively mitigated systematic biases, achieving nearly zero mean bias error (MBE) across all concentration ranges. These findings underscore the efficacy of the AutoML-driven multistage calibration framework in providing accurate and reliable measurements for indoor air quality monitoring, particularly in varying environmental conditions and emission scenarios.
Limitations
The limitations of the study highlight several areas for further research to enhance the generalizability and calibration of the low-cost sensors evaluated. The training data were collected in a single temperate-climate environment, which may not adequately reflect sensor performance in high-humidity conditions or diverse indoor emission sources. Additionally, the study did not assess sensor drift over extended periods, which is crucial for understanding long-term accuracy. Future investigations should focus on gathering data from warmer, high-humidity environments, incorporating moderate emission sources, and conducting multi-year field trials to evaluate sensor stability and recalibration needs.
The implications of this research are significant for both atmospheric science and indoor air quality management, particularly as low-cost sensors become more prevalent for exposure assessment and public health monitoring. The study demonstrates that these sensors can be effectively calibrated to produce high-quality indoor air data, thereby bridging the gap between indoor and outdoor pollution monitoring. The application of AutoML for sensor calibration further emphasizes the potential for automated, data-driven approaches to maintain sensor accuracy with minimal human intervention, which is particularly beneficial for community science initiatives. However, researchers are advised to derive their own calibration thresholds based on localized data, as the empirical thresholds established in this study may not be universally applicable.