Calibração de sistemas de monitoramento atmosférico de baixo custo

Abstract

A poluição do ar é uma das maiores ameaças ambientais à saúde humana e aos ecossistemas. O monitoramento da qualidade do ar é o primeiro passo para a gestão integrada da poluição atmosférica. Tradicionalmente, o monitoramento da qualidade do ar é realizado por estações fixas de alto custo e operação complexa, limitando seu uso em regiões menos desenvolvidas. O paradigma muda com a incorporação de sensores portáteis e acessíveis, que fornecem dados com alta resolução temporal e espacial. No entanto, a precisão, durabilidade e confiabilidade desses sensores variam conforme a tecnologia de medição, componentes, condições ambientais e métodos de operação. Para contribuir com a confiabilidade dessas medições, este estudo desenvolve uma ferramenta de filtragem e correção de dados, e análise de modelos de calibração para estações de monitoramento atmosférico de baixo custo. As estações utilizadas foram desenvolvidas no Laboratório de Controle da Qualidade do Ar, da Universidade Federal de Santa Catarina, e foram comparadas com uma estação de referência na cidade de Tubarão/SC. Foram aplicadas metodologias de controle de qualidade, detecção de outliers e algoritmos de aprendizado de máquina para calibrar os sensores. A detecção de outliers se mostrou eficiente no controle das flutuações da amostra, enquanto o modelo de regressão multivariada obteve os maiores resultados de R², RMSE e MAE. Os coeficientes de Kendall e Spearman apresentaram melhora significativa, quase dobrando entre as correlações utilizando as amostras brutas e as amostras calibradas. Por fim, esse estudo demonstra que os procedimentos de filtragem, correção e calibração das amostras são importantes e que os métodos apresentados podem fazer parte de uma metodologia generalizada de processamento de dados para sensores de poluição atmosférica de baixo custo.

Air pollution is one of the biggest environmental threats to human health and ecosystems. Air quality monitoring is the first step towards integrated air pollution management. Traditionally, air quality monitoring is conducted by high-cost, complex fixed stations, limiting their use in less developed regions. The paradigm shifts with the incorporation of portable, accessible sensors that provide high temporal and spatial resolution data. However, the accuracy, durability, and reliability of these sensors vary based on measurement technology, components, environmental conditions, and operation methods. To enhance the reliability of these measurements, this study develops a data filtering and correction tool, and analyzes calibration models for low-cost air monitoring stations. The stations used were developed at the Air Quality Control Laboratory, Federal University of Santa Catarina, and compared with a reference station in Tubarão, SC. Quality control methodologies, outlier detection, and machine learning algorithms were applied to calibrate the sensors. Outlier detection was efficient in controlling sample fluctuations, while the multivariate regression model achieved the highest R², RMSE, and MAE results. Kendall and Spearman coefficients showed significant improvement, nearly doubling between raw and calibrated sample correlations. Ultimately, this study demonstrates that sample filtering, correction, and calibration procedures are crucial and that the presented methods can be part of a generalized data processing methodology for low-cost air pollution sensors.