(credits)
早在2008年，当世界空气质量项目启动时，所有现有的空气质量监测站都基于高度专业且昂贵的BAM和TOEM技术。此类工作站始终由专业且高素质的操作员维护 - 这确保了该工作站的输出值得信赖。
12 年后，BAM 和 TOEM 站仍然存在。但随着激光散射技术和低成本灰尘传感器的发展，BAM 和 TOEM 站的数量现在已经被巨大而密集的低成本传感器网络所取代。如今，此类网络非常多，仅举几例：urad、luft-daten、airqo、airbg、opensense、yakkaw、econet、airkaz、ccdc、ambente、green air 等。
低成本传感器网络的基本问题之一是其可靠性：由于许多传感器没有得到适当维护（或根本没有维护），因此产生完全错误测量的传感器数量不容忽视。此外，大多数网络不使用带有复制传感器的站（与我们的Gaia站不同，它使用 3 个复制传感器），这使得了解单个传感器何时发生故障变得更加困难。
在本文中，我们将研究部署在希腊美丽城市沃洛斯的传感器网络，并研究实时鉴定和量化站点可靠性的方法。
--
希腊美丽的沃洛斯市
沃洛斯（希腊语：Βόλος）是一个沿海港口城市。它的人口为 144,449 人（2011 年），也是希腊人口第六大城市。它是重要的工业中心，其港口是欧洲和亚洲之间的桥梁。沃洛斯目前有 5 个监测站：1 个来自希腊 EPA ，由专业的 BAM 监测站提供每小时数据，以及 4 个来自lutf-daten网络的低成本实时监测站：
沃洛斯 EPA 站位于色萨利和希腊中部权力下放管理局大楼内。除靠近港口的 Argonafton 站外，所有其他站也都位于住宅区。
港口的交通量不容忽视，截至撰写本文时，平均每天约有 8 艘船舶抵达/出发，其中 80% 的船舶是货物。
货物的已知问题之一可能是由于劣质燃料造成的排气管颗粒污染。但从阿戈纳夫顿站所在地的全景来看，距货物的距离足够远，不足以证明持续的空气污染源是合理的。人们可能会在阿尔戈纳夫顿的空气污染较严重时看到几次，特别是在大型船只航行时，但并非总是如此。毕竟，每天只有 8 艘船在航行。
--
过去30天的时间序列数据
根据监测站位置信息，可以预期所有监测站的空气污染水平都相似，但阿戈纳夫顿 (Argonafton) 偶发的污染较高的事件除外。但不幸的是，事实并非如此，正如下面的时间序列图所证实的那样：
时间序列图清楚地表明，与其他站相比， Argonafton的数据似乎被高估了。同样， Dimarxou的数据似乎也被低估了。
更好地强调这个问题的方法是可视化每日第 75 个 AQI 百分位，使用相应的 AQI 颜色范围绘制。与 Argonafton 的偏差是显而易见的。此外，可以区分以 Riga-Feraiou+Kasthanaías 和 Volos EPA+Dimarxou 为中心的两个集群。
--
量化时间序列差异
在比较相关时间序列时，最好是比较它们的概率分布。下面的 3 个图分别代表密度分布、CDF（累积分布函数）和 QQ（使用 Volos EPA 作为参考 CDF）。所有这 3 个图表均基于过去 30 天的时间序列数据，但您也可以在第一个时间序列图表中选择特定时间范围，这 3 个图表将使用给定时间范围内的值进行更新。
Looking at the probabilistic distribution with a naked eye, it is obvious that there is a big difference between Argonafton, Dimarxou and the reference Volos EPA station. It is worth noticing that there is a "bump" around AQI 150: The reason is that the distribution plot is based on the AQI rather than the raw concentration, and the more compact [150,200] AQI range (compared to [100,150]) make the AQI denser for >150 compared to <150.
在量化这种差异时，可以使用统计距离的概念来量化“拟合优度”。最著名的距离是 Kolmogorov-Smirnov、Wasserstein 和 Cramér-von Mises 距离（有关这些距离的详细介绍，请参阅这篇精彩的解释）。下表显示了基于 30 天数据的距离（如果您从主时间序列图中选择时间范围，则值将更新）。
| Station | | | | |
|---|
虽然 Kolmogorov-Smirnov 距离不能正确捕获相对距离（突出显示 Dimarxou 远至 Argonafton），但 Wasserstein 和 Cramér-von Mises 距离都突出显示 Argonafton 的距离明显更大。上表中的值基于 30 天的数据。下面的 3 个图表基于过去 30 天的 7 天移动平均线。
这些图表确实证实，无论使用 Wasserstein 距离还是 Cramér-von 距离，Argonafton 站和沃洛斯 EPA 之间的距离始终至少是其他站距离的两倍。
关联气象数据
为了证实Argonafton站产生异常且高估的浓度读数的假设，我们需要查看气象数据：Argonafton站出现较高浓度的条件是当风从南边吹来时，即风将货物排气管的烟雾吹向车站的地方。
第一步是检查过去 30 天内的平均风向和风速。风数据来自沃洛斯机场 METAR站和Netatmo Tthiseos气象站。两个风玫瑰图代表风向每个方向吹的次数。
两张风玫瑰图均显示风主要从西风或东风吹来，南风则较少。由于沃洛斯北部有山脉，因此下面基本没有北风。
根据这一经验证实，从南面吹来的风比从其他方向吹来的风要少，不可能推断出货物排气管是造成 Argonafton 站 PM 2.5浓度较高的原因。 3 个站点与机场风向之间的相关图也证明了这一假设无效，该图表明没有明确的证据（对于任何站点）表明南风意味着高浓度。
最后，我们还需要检查 Argonafton 的问题是否与相对湿度有关。例如，问题可能是由于较高的湿度导致颗粒尺寸较大，从而意味着较高的浓度。下面的相关图证实这是不正确的，因为没有明确的证据表明浓度与湿度成正比。
结论
在本文中，我们一直在研究量化和限定实时站数据质量的方法。假设有一个参考可信站，我们已经证明，使用 Cramér-von Mises 或 Wasserstein 距离进行量化可以表明任何站数据存在问题。
我们还表明，距离本身是不够的，更准确地说，应该理解车站的上下文。例如它的位置和气象条件。然而，由于上下文无法自动化，因此 WAQI 项目使用的最终解决方案包括与参考站的统计距离小于 1/4 的合格站。这将在未来几周内生效（有关实时站点地图，请参阅aqicn.org/station/ 。
本文是该系列的一部分，在下一篇文章中，我们将研究没有参考站的情况下的资格站方法。
--
