Cómo obtener un mayor valor de tu sistema de sensores de calidad del aire

En nuestro blog anterior, explicamos que la variabilidad en el rendimiento de los sensores "plug and play" es tal que el usuario final necesita realizar mucho trabajo para asegurarse de que los sistemas de sensores en los que invierten a) funcionen y b) estén calibrados adecuadamente para obtener datos útiles.

En esta ocasión, exploraremos cómo funcionan diferentes sistemas de sensores, evaluaremos las incertidumbres de medición y consideraremos cómo el desarrollo futuro podría mejorar el procesamiento de datos.

Una pregunta sin respuesta en el blog anterior fue:

¿Qué tan seguro puedes estar de que las mediciones de tu sistema de sensores realmente son útiles?

Actualmente, no existe un consejo definitivo para ayudar a los usuarios a aplicar control de calidad (QC) a los datos de su sistema de sensores o evaluar el rendimiento desde una perspectiva de objetivos de calidad de datos (DQO).

Ricardo es miembro del grupo de trabajo WG42 de la Comisión Europea de Normalización (CEN), que está desarrollando estándares para sensores de calidad del aire ambiente. Acaba de publicarse una especificación de rendimiento para probar sistemas de sensores de gases (TS 17660-1, seguida de una especificación para PM en 2022), y proporcionará confianza sobre la calidad del sistema adquirido.

Si bien los estándares generales de rendimiento representan un progreso positivo, dicho sistema solo contará parte de la historia. Para tener confianza en las mediciones, aún se debe aplicar control de calidad adicional para garantizar que se evalúe y controle adecuadamente la calidad de los datos de los sistemas de sensores en funcionamiento.

Como parte de nuestro proceso de control de calidad, Ricardo utiliza una estación de monitoreo de referencia en las afueras de Londres para evaluar el rendimiento continuo de varios sistemas de sensores de diferentes proveedores. Hasta ahora, hemos evaluado el rendimiento de los siguientes sistemas de sensores:

• Aeroqual AQY
• Airly
• Alphasense EDT
• AQMesh
• Clarity
• Earth Sense Zephyr
• Kunak
• Plume Labs Flow
• South Coast Science Praxis Urban y Praxis Cube
• Vaisala AQT420 y AQT530
• Vortex IOT

Cuando utilizamos estos sistemas para nuestras propias campañas de medición, ejecutamos los sensores en la estación de referencia de manera regular para aplicar factores de calibración estacionales durante la recolección y procesamiento de datos. Este es un punto importante: la relación entre la referencia y el sensor puede cambiar drásticamente con los cambios climáticos.

Los gráficos de dispersión animados a continuación muestran cuánta variación puede haber entre los sistemas de sensores y referencia:

La disparidad mostrada en estos gráficos ilustra la dificultad (para este sistema de sensores en particular) de aplicar factores de calibración únicos para las mediciones de PM y NO₂. Hay períodos en los que la salida del sensor no se parece en absoluto a las mediciones reales.

Entonces, ¿qué opciones están disponibles para obtener una mayor confianza en las mediciones de los sensores?

Una opción podría ser ejecutar sistemas de sensores de manera continua en estaciones de referencia. Esto evaluaría cómo cambia la relación, evaluaría la deriva y cuantificaría la incertidumbre de las mediciones. Esta información se podría utilizar para procesar los datos de sistemas de sensores no ubicados en la misma ubicación, siempre que la consistencia interna de los sensores sea satisfactoria.

¿Se puede utilizar esta información para producir datos valiosos? Echemos un vistazo.

En octubre de 2021, Ricardo tuvo la oportunidad de ejecutar varios sistemas de sensores uno al lado del otro en la estación de referencia, lo que nos permitió ver cómo diferentes sistemas responden en condiciones idénticas en el mismo entorno. Los resultados se muestran a continuación.

Dióxido de Nitrógeno (NO₂):

Este gráfico muestra que los datos sin procesar de los cinco tipos de sensores siguen en líneas generales el perfil de los datos de referencia, pero la magnitud de las diferencias sin corregir varía ampliamente entre los tipos, a veces reportando concentraciones más de 20ppb más altas que la medición de referencia. Los datos sin procesar pueden ser analizados para explorar sus relaciones con el método de referencia, como se muestra en la siguiente tabla:

Tabla 1: resumen del rendimiento del sensor de NO₂ (sin corregir a menos que se indique)

Los valores de incertidumbre se calculan siguiendo los procedimientos descritos en la "Guía para la Demostración de Equivalencia": https://ec.europa.eu/environment/air/quality/legislation/pdf/equivalence.pdf. La incertidumbre debe estar dentro del 25% para cumplir con el requisito de estado indicativo para NO₂.

El sistema de sensor 1 fue el único de los cinco sistemas probados que proporcionó datos de medición de NO₂ que se pueden utilizar sin correcciones directamente. Los otros cuatro sistemas requerirían corrección para pendiente y desplazamiento para proporcionar datos que cumplan con el objetivo de estado indicativo.

En el gráfico a continuación, se aplicaron las pendientes y desplazamientos calculados (cuando fue necesario) a los datos sin procesar, y se compararon los conjuntos de datos procesados con los datos de referencia.

 
El gráfico muestra que, una vez corregidos para la pendiente y el desplazamiento, todos los sensores tienen un acuerdo dentro de ±10ppb (25% del valor límite medio anual) de la medición de referencia. Para que esto sea válido a largo plazo, estas relaciones deben evaluarse y corregirse regularmente, cuando sea necesario.

La moraleja de la historia es que la verificación de calidad y control de calidad debe ser continua y no esporádica.

Material Particulado PM₁₀:

 
El gráfico de datos sin procesar muestra que los sensores de PM₁₀ no siempre tienen el rendimiento esperado. Un sistema muestra un comportamiento consistentemente bueno en comparación con la referencia, tres sistemas muestran una correlación razonable la mayor parte del tiempo, mientras que uno muestra una mala concordancia. El análisis estadístico de los datos de la serie temporal se presenta a continuación:

Tabla 2: Resumen del rendimiento del sensor de PM₁₀ (sin corregir a menos que se indique)

Durante la duración de esta prueba, dos de los sistemas de PM₁₀ proporcionaron datos de medición que eran utilizables (es decir, con una incertidumbre aceptable) sin corrección. Sin embargo, uno de estos sistemas requirió la eliminación de picos de datos espurios que ocurrieron durante períodos de alta humedad, un problema conocido en algunos sistemas de sensores (como se mostró en el gráfico animado anterior). En resumen, en realidad, solo un sistema proporcionó un conjunto de datos completamente sin intervención.

Otro sistema de sensores proporcionó buenos datos después de la aplicación de la corrección de pendiente y desplazamiento.

Los datos de PM₁₀ de los otros dos sistemas no se pudieron corregir de ninguna manera para que fueran comparables con el método de referencia.

Este gráfico muestra que los datos procesados, corregidos en pendiente y desplazamiento, de los sensores 1, 2 y 5 están cómodamente dentro del objetivo de calidad de datos para datos indicativos (50%) en el valor límite (±25 µg/m3). Los sensores 3 y 4 no pueden cumplir con este requisito. Para que esta observación sea válida a largo plazo, estas relaciones deben ser reevaluadas y corregidas regularmente (si es necesario).

Material Particulado PM_2.5:

Las mediciones de los sensores de PM_2.5 suelen verse afectadas menos por la humedad (en comparación con el PM₁₀), y esto se refleja en los perfiles de respuesta mejorados de algunos de los sistemas. El sensor 3 sigue teniendo un rendimiento deficiente en comparación con los demás y el sensor 4 muestra un pico de respuesta que no se refleja en los otros sensores ni en el método de referencia.

Tabla 3: Resumen del rendimiento de los sensores de PM_2.5 (sin correcciones a menos que se indique)

Uno de los sensores proporciona datos que cumplen con el objetivo de calidad de datos tal como están. Otro sensor está muy cerca de cumplir también con este requisito. Dos sistemas no pudieron cumplir con el requisito, incluso después de la corrección en pendiente y desplazamiento.

Este gráfico muestra que tres de los cinco sensores, una vez corregidos por pendiente y desplazamiento, muestran una buena concordancia con el método de referencia y cumplen cómodamente con el objetivo de calidad de datos para mediciones indicativas. Para que esta observación sea válida a largo plazo, estas relaciones deben ser reevaluadas y corregidas regularmente (si es necesario).

Lo anterior demuestra que es posible, al menos para algunos sistemas en un breve período de medición, producir datos que cumplan con el objetivo de calidad de datos indicativos. Sin embargo, se requieren más estudios de co-ubicación continuos, escalado de datos y análisis para asegurar que esto siga siendo cierto a largo plazo. Hacer esto también requiere una inversión significativa de tiempo y costo.

Es importante tener en cuenta que este estudio se realizó en una estación de monitoreo de fondo, en otoño de 2021, en las afueras de Londres. Es muy probable que los perfiles de respuesta reportados aquí sean diferentes en una ubicación cerca de una carretera o industrial, y en diferentes épocas del año.

El rendimiento de los sistemas de sensores debe ser caracterizado en el tipo de ubicación prevista y de acuerdo a la estación del año para obtener una indicación más precisa del rendimiento del sistema.

¿Es el enfoque convencional de control de calidad nuestra única opción?

Existe al menos una posibilidad adicional para explorar en el procesamiento de datos. Con suficiente evidencia sobre cómo funcionan los sistemas de sensores, colectivamente, individualmente y con cambios en la meteorología, debería ser posible construir un sistema que pueda utilizar los datos en bruto y predecir automáticamente concentraciones corregidas con una mayor confianza.

En este punto, la distinción entre los datos medidos y los datos modelados se difumina, pero la pregunta sigue siendo la misma: ¿Cómo puedo obtener el mejor valor de los datos de los sistemas de sensores?

Los equipos de calidad del aire y ciencia de datos de Ricardo han combinado su experiencia para abordar esta pregunta, y nuestra investigación parece prometedora. Para varios sistemas de sensores, hemos determinado con éxito cómo realizar un procesamiento más automatizado de las mediciones en bruto del sistema de sensores y ahora podemos aplicar este enfoque para proporcionar datos más automatizados y confiables para redes de sensores de alta densidad en tiempo real.

El objetivo de este trabajo es implementar un sistema de procesamiento de datos en línea y en tiempo real que tome mediciones de cualquier sistema de sensores y procese las salidas para producir datos que cumplan con los requisitos del estado indicativo. Esperamos ofrecer esto como un servicio más adelante en 2022.

Varios fabricantes afirman que sus datos en bruto se procesan automáticamente "en la nube" para cumplir con los objetivos de calidad de datos indicativos (DQOs). Seguimos trabajando con estos proveedores para evaluar el rendimiento de sus sistemas y abogamos por tener acceso a los datos medidos "en bruto" en situaciones del mundo real para poder brindar una visión completamente informada de su enfoque.

Resumen

En resumen, esta comparativa entre varios sistemas de sensores destaca algunos puntos clave:

• Existe una considerable variabilidad en el rendimiento observado de los sensores, y esta variabilidad no está necesariamente relacionada con el precio.
• Muy pocos sistemas son realmente "conectar y usar" ("plug and play").
• Los datos proporcionados por los sistemas a menudo no son lo suficientemente buenos como para ser indicativos. A veces, incluso después de la corrección en pendiente y desplazamiento, no se logra el objetivo de calidad de datos indicativos.
• La concordancia entre sistemas de sensores duplicados suele ser buena, lo que demuestra que las comparaciones entre sistemas idénticos son válidas para analizar gradientes de concentración.
• Actualmente, la cantidad de esfuerzo requerida para realizar el control de calidad de los sensores es comparable a la que se requiere para los analizadores automáticos convencionales.
• Se están desarrollando enfoques alternativos de procesamiento de datos más automatizados. Sin embargo, aún es necesario demostrar que estos enfoques proporcionan datos procesados que cumplan con el estado indicativo o que manejen adecuadamente las variaciones en ubicación y estación.

¿Podría tu organización beneficiarse de la corrección de datos de sensores? En Ricardo, proporcionamos rutinariamente a fabricantes y usuarios de sensores evaluación técnica, orientación y soporte en el desarrollo en términos de gestión de conjuntos de datos, aseguramiento de calidad y control de calidad (QA/QC) y procesamiento. Para obtener más información, visita nuestra página de Mediciones de Calidad del Aire.

Si tienes consultas directas o deseas discutir cómo Ricardo podría ayudar a tu organización a mejorar la calidad de sus informes de datos de sensores, ponte en contacto utilizando el enlace a continuación.