Advanced Procedures for On-Field Calibration of Low-Cost Air Quality Monitoring Systems

Abstract

Air pollution is now well known to be one of the major causes of human and climate health issues. The global crisis related to COVID-19 pandemic has brought to the fore such theme. The importance of air quality has been rediscovered and counted among the main positive effects of lockdown. The spread of low-cost electrochemical sensors, joined with diffusion of the Internet of Things (IoT) technologies, will allow in the near future, the birth of a generation of air quality monitoring networks, characterized by the integration of regulatory grade analyzers and such IoT smart electrochemical and particulate multisensory devices. The former will provide a backbone of sparse but high reliable, high quality, measurements at a significant procurement and operational costs, while smart multisensory devices will provide high resolution and possibly redundant measurements with affordable costs and with reduced precision and accuracy. Consequently, high-resolution pollution maps will be provided, constituting an advanced informative support tool for institutional decision makers. However, this paradigm shift in air quality monitoring, is currently hampered by a series of problems concerning the low-cost sensors, high fabrication variance and the dynamic nonstationary nature of the working environment where these devices have to operate; but the primer concern is related to the measurements data quality. Field calibration, relying on statistical or machine learning models more generally, seems the only viable and feasible method to guarantee the short term accuracy and precision of these systems. Although its robustness to long term deployment and so different environmental and pollution composition is criticized. Field calibration allows to expose, rapidly and cheaply, the sensors grabbing their response to a variety of (uncontrollable) conditions that are similar to the ones that will be encountered during operational life, in opposition to laboratory-based calibration that would need significant time and human efforts to achieve similar variability in controlled settings. Addressing the long-awaited achievement of data quality objective (DQO), in our opinion, could be a turning point for the rapid large-scale diffusion of this technology, especially in smart city applications. With this objective in mind, the present PhD research has been focused in the first part, in the assessment of the machine learning techniques for the calibration of low-cost air quality monitoring systems (LCAQMSs), comparing multivariate linear regression and neural networks. The purpose of 3 this analysis was aimed at understanding whether a simpler technique is equally able to carry out acceptable performances in terms of data quality with respect to advanced but much more complex techniques. A mid-term experimental co-location campaign as well as a citizen science company have been performed for such kind of investigation, evidencing the effectiveness of the multivariate approach, both in fixed and mobile applications. [edited by Author]

È ormai noto come l'inquinamento atmosferico sia una delle principali cause dei problemi sulla salute umana e dei cambiamenti climatici. La crisi globale legata alla pandemia COVID-19 ha portato alla ribalta questo tema. L'importanza della qualità dell'aria è stata riscoperta e annoverata tra i principali effetti positivi del lockdown. La diffusione di sensori elettrochimici a basso costo, unita alla diffusione delle tecnologie dell’Internet of Things (IoT), consentirà nel prossimo futuro la nascita di una generazione di reti di monitoraggio della qualità dell'aria, caratterizzate dall'integrazione di analizzatori di livello normativo e di dispositivi multisensoriali sia elettrochimici che per il particolato intelligenti. I primi forniranno una spina dorsale di misurazioni sparse, altamente affidabili e di alta qualità ma a costi significativi, mentre i dispositivi multisensoriali intelligenti (a basso costo) forniranno misurazioni ad alta risoluzione e possibilmente ridondanti, a costi accessibili ma con precisione e accuratezza ridotte. Di conseguenza, saranno fornite mappe dell'inquinamento ad alta risoluzione, che costituiranno uno strumento di supporto informativo avanzato per i decisori istituzionali. Tuttavia, questo cambiamento di paradigma nel monitoraggio della qualità dell'aria è attualmente ostacolato da una serie di problemi riguardanti i sensori a basso costo ossia, l'elevata varianza di fabbricazione e la natura dinamica e non stazionaria dell'ambiente di lavoro in cui questi dispositivi devono operare; ma la preoccupazione principale è legata alla qualità dei dati di misurazione. La calibrazione in campo, basata su modelli statistici o più in generale su modelli di machine learning, sembra l'unico metodo praticabile e fattibile per garantire l'accuratezza e la precisione a breve termine di questi sistemi. La calibrazione in campo allo stesso tempo viene anche criticata per la sua robustezza a lungo termine poiché il sistema si troverà ad operare successivamente in una diversa composizione dell'ambiente e dell'inquinamento nella sua vita operativa. Tale procedura però consente di esporre, in modo rapido ed economico, i sensori a una varietà di condizioni (incontrollabili) simili a quelle che si incontreranno durante la vita operativa, a differenza della calibrazione in laboratorio che richiederebbe tempi e sforzi umani significativi per ottenere una variabilità simile in ambienti controllati. Il raggiungimento dei tanto attesi obiettivi di qualità dei dati, potrebbe rappresentare un punto di svolta per la rapida diffusione su larga scala di 5 questa tecnologia, soprattutto nelle applicazioni per le cosiddette “città intelligenti”. La presente ricerca di dottorato si è concentrata su questo obiettivo: la qualità del dato, inteso come la misurazione rilasciata dal nodo sensoriale. Nella prima parte è stata affrontata la valutazione delle tecniche di apprendimento automatico per la calibrazione dei sistemi di monitoraggio della qualità dell'aria a basso costo, confrontando i modelli della regressione lineare multivariata e delle reti neurali. Lo scopo di questa analisi è stato quello di capire se una tecnica più semplice (come la regressione lineare multivariata) sia ugualmente in grado di realizzare prestazioni accettabili in termini di qualità dei dati rispetto a tecniche avanzate, ma molto più complesse come le reti neurali. Per questo tipo di indagine sono state realizzate una campagna sperimentale di co-locazione a medio termine e una di citizen science. Entrambe hanno dimostrato l'efficacia dell'approccio multivariato, sia in applicazioni fisse che mobili. [a cura dell'Autore]