Improving Accuracy of Urban Particulate Matter Sensor Network via Data-Driven Sensor Calibration and Mobile Sensor Node Deployment

Abstract

Particulate matter (PM) sensor has been widely deployed to increase spatiotemporal resolution in the urban environment. As a cost-effective PM monitoring solution, low-cost PM sensor ideally stands for dense sensor network nodes. However, low-cost PM sensor remains the doubt of its data reliability. In this paper, we investigate the accuracy of low-cost PM sensor by co-locating a governmental beta attenuation monitor (BAM) for 7.5 months and increase the accuracy with data-driven calibration. We research linear/nonlinear calibration (i.e. multiple linear regression (MLR)/multilayer perceptron (MLP)) and introduce a novel combined calibration. The methods are evaluated by field experiments and are compared with other methods and studies. Also, the data-driven calibration model can utilize for but only a co-located sensor node but also other sensor nodes by using a sensor network. The feasibility of sensor network calibration has been evaluated with experiments.

도시 대기 질 측정의 시공간 해상도를 증가시키기 위해 미세먼지 센서가 광범위하게 배치되고 있다. 고해상도의 미세먼지 측정을 위한 현실적인 대안으로 저가형 미세먼지가 대표적으로 이용되고 있다. 하지만 저가형 미세먼지 센서의 측정 데이터 신뢰성에 대한 의문점은 해결되지 않고 있다. 본 연구는 저가형 미세먼지 센서의 장기간 정확도 평가를 수행하였으며, 이를 위하여 멀티 센서 플랫폼을 제작하고 이를 고신뢰도의 정부 관측소에 함께 배치하였다. 선형/비선형 추정 모델인 다중 선형회귀 모델과 인공신경망인 다층 퍼셉트론을 적용하여 데이터 기반 모델을 생성하였으며, 이를 통합한 추정 모델을 개발하였다. 이 방법들은 실외 배치 실험을 통해 평가되었으며 타 추정 모델과 타 연구와의 비교 분석을 수행하였다. 또한 관측소에 배치하여 생성된 데이터 기반 모델은 센서 네트워크를 통해 다른 노드에 전달하여 활용할 수 있으며, 이러한 접근에 대한 타당성 평가는 실험을 통해 확인하였다.