Desarrollo de modelos de calibración de sensores de bajo costo usando técnicas de Machine Learning

Este estudio representa un avance en el campo de la calibración de sensores de calidad del aire de bajo costo mediante la integración de técnicas de aprendizaje automático con análisis de series temporales. Combinamos algoritmos avanzados como Regresión de Vectores de Soporte (SVR) y Perceptrones Multicapa (MLP) con modelos SARIMA para mejorar la precisión de la calibración en varios tipos de sensores para diferentes tamaños de material particulado (PM10 y PM2.5).
Nuestro enfoque demuestra la superioridad de los métodos de ensamble que incorporan componentes SARIMA y evidencia el rendimiento variable de los algoritmos en diferentes tipos de sensores y tamaños de material particulado. Los hallazgos principales incluyen la importancia crítica de las características temporales y el desafío persistente en la calibración de PM10 en comparación con PM2.5.

Los resultados destacan el potencial de los enfoques híbridos que aprovechan tanto el aprendizaje automático como el análisis de series temporales, mejorando la precisión de la calibración y la capacidad de generalización del modelo en diversas condiciones ambientales. Este trabajo contribuye al desarrollo de sistemas de monitoreo de calidad del aire más confiables y accesibles, con implicaciones significativas para la salud pública y la gestión ambiental.