Enhanced calibration techniques for low-cost particulate matter monitors

Este estudio avanza en el campo de la calibración de sensores de calidad del aire de bajo costo al integrar técnicas avanzadas de aprendizaje automático con análisis de series temporales. Combinamos algoritmos avanzados como la Regresión de Vectores de Soporte (SVR) y Perceptrones Multicapa (MLP) con modelos SARIMA para mejorar la precisión de la calibración en diversos tipos de sensores y tamaños de partículas. Nuestro enfoque integral revela la superioridad de los métodos de ensamble que incorporan componentes SARIMA y destaca el rendimiento variable de los algoritmos según los diferentes tipos de sensores y tamaños de partículas. Entre los hallazgos clave se incluye la importancia crítica de las características temporales y el desafío persistente en la calibración de PM10 en comparación con PM2.5. Los resultados subrayan 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 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 importantes implicaciones para la salud pública y la gestión ambiental.