Smart Air Quality Sensor Calibration

Umweltsensoren müssen regelmäßig kalibriert werden, um baubedingte und äußere Einflüsse korrekt in der Interpretation der Rohdaten zu berücksichtigen und entsprechend zu korrigieren. Low-Cost-Sensoren werden bevorzugt in Citizen-Science-Anwendungen eingesetzt, wobei eine langwierige Kalibrierung mit einem teuren Referenzgerät in der Regel der kostengünstigen und einfachen Konzeption vieler Citizen-Science-Anwendungen widerspricht. Im SDI-C Mikroprojekt „Smart Calibration“ sollen entfernte Kalibrierungsmethoden auf Basis KI-gestützter Interpolation erforscht werden.

Projektziele

Im vom KIT TECO geleiteten Projekt “SmartAQnet” wurde ein offener Datensatz von Luftqualitätsdaten erstellt, der in seiner Zusammensetzung einzigartig ist: Über den Zeitraum von fast drei Jahren wurde ein engmaschiges, heterogenes Messnetzwerk in der Stadt Augsburg aufgebaut, das Daten aller Qualitätsgrade von Low-Cost Sensoren bis hin zu offiziellen Messstationen des Umweltbundesamtes enthält. Ein Messnetzwerk, wie es im SmartAQnet-Projekt aufgebaut wurde, bietet hier die Möglichkeit, durch seine räumliche wie zeitliche Dichte an Referenzstationen Sensoren vollautomatisiert mobil zu kalibrieren. Auf diesem einzigartigen Datensatz soll nun gezeigt werden, dass eine solche automatisierte, mobile Kalibrierung, gestützt durch ein engmaschiges Netz von Referenzstationen, qualitativ verwertbare Ergebnisse liefern kann. Das erlaubt SmartCities ihre Luftqualität mit kostengünstigen Low-Cost-Sensoren engmaschig zu überwachen, indem diese durch permanenten Live-Kontakt zu einem darunterliegenden, deutlich dünneren Netz qualitativ hochwertiger Referenzstationen stehen.

Projektergebnisse

Im Projekt wurden Algorithmen entwickelt, die mithilfe von Maschinellem Lernen die Sensoren automatisch kalibrieren, ohne dass eine Kollokation notwendig ist. Aufgrund des komplexen, nichtlinearen Einflusses von Umwelteinflüssen sind KI-Methoden hier hervorragend geeignet, um stabile Ergebnisse zu erzielen. Im Projekt wurden letztendlich KI-gestützte Interpolationstechniken untersucht. Verschiedene Interpolationstechniken wurden verglichen, die auf zeitlich-räumlichem maschinellem Lernen basieren. Unter Verwendung des Datensatzes wird die Exposition auf einer Route durch die Stadt geschätzt und mit mobilen Messungen verglichen. Die Ergebnisse zeigen, dass verschiedene auf maschinellem Lernen basierende Interpolationsmethoden zwar recht unterschiedliche Ergebnisse liefern, die Validierung von auf maschinellem Lernen basierenden Ansätzen aber immer noch eine Herausforderung darstellt.

Nächste Schritte

Die indirekte Kalibrierung von Sensoren stellt noch immer eine nichtgelöste Herausforderung dar. Das KIT betrachtet das Problem weiterhin im Rahmen des Helmholtz HEPTA Projektes. Die experimentellen Low-Cost GRIMM EDM 80 Geräte der werden mittlerweile von einem Betreiberkonsortium weiterbetrieben, welche weiterhin kostengünstige Kalibrierungsmethoden im Feld testet.