ИСТИНА

В условиях нарастающего антропогенного воздействия на окружающую среду мониторинг качества воздуха приобретает критическое значение для обеспечения экологической безопасности и здоровья населения. Традиционные стационарные системы контроля с точным оборудованием обладают существенным ограничением - высокой стоимостью. В связи с этим особую актуальность приобретают бюджетные датчики контроля качества воздуха [1]. Несмотря на доступность, их показания подвержены систематическим погрешностям из-за вариативности внешних условий. В работе рассмотрена задача калибровки датчика концентрации частиц PM2.5 и PM10 на основании показаний эталонного прибора с использованием методов машинного обучения и глубоких нейронных сетей. Решалась задача регрессии. В базовой постановке корректировка производилась на базе 3 входных параметров: количества частиц, температуры и влажности по данным портативного датчика. В расширенной постановке привлекались исторические данные за 6 или 12 часов. Исходный датасет содержал измерения за периоды 30.03.2021 — 09.04.2021 и 31.05.2021 — 07.06.2021 c дискретизацией 1 час. Были обучены модели: линейная регрессия, случайный лес, решающие деревья, градиентный бустинг, К-ближайших соседей, многослойный перцептрон, рекуррентная нейронная сеть (RNN), сеть с долговременной краткосрочной памятью (LSTM), трансформер. Для оценки моделей использовались корень из средней квадратической ошибки (RMSE) и коэффициент детерминации (R²), полученные после усреднения значений по 10 запускам. Оценки нейросетевых архитектур оказались в среднем выше по сравнению с алгоритмами машинного обучения. Наилучший результат продемонстрировал LSTM с шириной окна 12, обученный в течение 200 эпох (RMSE ≈ 4.98, R² ≈ 0.87). Представленный подход позволяет с высокой точностью калибровать портативные датчики концентрации частиц. Его внедрение предусмотрено в совместном проекте ОИЯИ и Республики Сербия, а дальнейшие исследования будут посвящены изучению возможностей применения квантовых алгоритмов для калибровки сенсоров. Литература 1. Topalović, D.B., Tasić, V.M., Petrović, J.S.S. et al. Unveiling the potential of a novel portable air quality platform for assessment of fine and coarse particulate matter: in-field testing, calibration, and machine learning insights. Environ Monit Assess 196, 888 (2024). https://doi.org/10.1007/s10661-024-13069-0.