198 / 2021-07-05 18:30:33

基于机器学习优化校验的传感器颗粒物监测仪的高效应用

空气污染；机器学习；环境监测；颗粒物监测仪

目的 评价激光传感器颗粒物监测仪对不同颗粒物（PM_1.0，PM_2.5和PM₁₀）测试的准确度及一致性，并探索基于机器学习的方法开展传感器的与标准设备的优化校验，以实现传感器监测仪在多个场景下的高效应用。

方法  开展基于实验舱环境、不同污染源的室内空气和室外大气三种情景模式下的比对校验。在实验舱以氯化钠粒子为颗粒物发生源，在室内环境中以吸烟、烹饪、蚊香、熏香和蜡烛燃烧为主要污染源与TSI颗粒物设备开展校验。在室外大气中，与金标准的微量震荡天平法开展校验。三种场景下均选取六台激光传感器颗粒物监测仪与标准颗粒物监测仪器比较和数据的实时记录，并比较不同机器学习方法的优化效果，并筛选出最优方法，对数据进行拟合和评价激光传感器的准确性、一致性以及变异性。

结果 比对三种颗粒物（PM_1.0，PM_2.5和PM₁₀）的浓度范围分别为0-532.2 µg/m³, 0-1088.3 µg/m³和0-1190.2 µg/m³。三种模式下的温湿度范围总体为3.3-33.7℃和23.9-92.8%。针对三种场景分别开展了多重线性（MLM），k-最近邻（KNN），决策树（DT），支持向量机（SVM），全连接神经网络（MLP）和随机森林（RF）六种模型的校验，发现实验室比对中，神经网络对PM_1.0和PM₁₀具有较好拟合度（R²_adj分别为0.995，0.997， RMSE（Root Mean squard Error）分别为3.804，4.413），随机森林对PM_2.5具有较好拟合度（R²_adj为0.994， RMSE为4.771）；室内常规场景比对中，随机森林对PM_1.0，PM_2.5和PM₁₀具有较好拟合度（R²_adj分别为0.937，0.927，0.894，RMSE分别为0.889，1.101，1.526）；室外比对中，随机森林对PM_2.5和PM₁₀具有较好拟合度（R²_adj分别为0.910，0.860，RMSE分别为6.270，19.59）。综合三个场景，选择随机森林模型对监测数据进行拟合，并进一步评价仪器的性能。结果显示，实验室、室内和室外比对中，三种颗粒物六台传感器监测仪之间相关系数（r）均大于等于0.983，内部变异性（intra-device variability）均小于等于6.343；六台仪器均值与标准仪器比较：决定系数（R²_adj）均大于等于0.862，平均相对误差（mean relative error）均小于等于64.2%。

结论 在所有优化模型中，随机森林具有较高的校验优化性能，进一步说明激光传感器颗粒物监测仪可以满足日常经典场景的空气颗粒物浓度测试，且具有较高的一致性，准确性以及较低的变异性。