• caibrazione
• inquinante
• LSTM
• sensore
• TRAFAIR

I sensori di monitoraggio dell'aria a basso costo sono strumenti interessanti per estendere la copertura temporale e spaziale delle informazioni sulla qualità dell'aria. Questo elaborato descrive un sistema di acquisizione dati in tempo reale e confronta diversi approcci per la calibrazione dei sensori a basso costo che possono essere utilizzati per il monitoraggio locale della qualità dell'aria nelle città smart. I modelli vengono valutati considerando la dimensione del training set richiesto e il degrado delle prestazioni nel tempo. Sono stati testati e valutati due approcci su 12 dispositivi a basso costo per misurare i gas NO, NO2 e O3 nella città di Modena: una combinazione di modelli di machine learning e un modello di deep learning. Il modello di deep learning (LSTM) ha dimostrato un alto livello di precisione per NO e NO2 e risultati promettenti per O3. La combinazione di più modelli di machine learning adattati alle serie temporali promette di essere un'interessante soluzione alternativa raggiungendo buone prestazioni. Tuttavia, gli algoritmi di machine learning sono influenzati in modo più significativo dal degrado delle prestazioni del sensore. Alla fine, i risultati degli esperimenti sono stati confrontati con l'approccio attualmente utilizzato per la calibrazione dei sensori a basso costo a Modena, evidenziando un netto miglioramento.

Low-cost air monitoring sensors are appealing tools to extend temporal and spatial coverage of air quality information. This work describes a real-time acquisition system and compares different approaches for low-cost sensor calibration that can be used for hyper-local air quality monitoring in smart cities. The models are evaluated considering the dimension of the training set required and the performance degradation over time. Two approaches have been tested and evaluated on 12 low-cost devices for measuring NO, NO2, and O3 gases in the city of Modena: a combination of machine learning models and a deep learning model. The deep learning model (LSTM) demonstrated a high level of precision for NO and NO2 , and promising results for O3. The combination of several machine learning models with adaptation to time series appears to be an interesting alternative solution reaching good performances. However, machine learning algorithms are more significantly affected by sensor performance degradation. In the end, the results of the experiments were compared with the approach that is currently used for the calibration of low-cost sensors in Modena, highlighting a clear improvement.