CN113454452A

CN113454452A - 用于校准气体传感器的方法

Info

Publication number: CN113454452A
Application number: CN201980083626.4A
Authority: CN
Inventors: 本杰明·莱本居
Original assignee: Elichens
Current assignee: Elichens
Priority date: 2018-12-19
Filing date: 2019-12-17
Publication date: 2021-09-28
Anticipated expiration: 2039-12-17
Also published as: CN113454452B; JP7365415B2; US11879881B2; EP3899527B1; FR3090881B1; JP2022514856A; WO2020128311A1; EP3899527A1; US20220099640A1; FR3090881A1

Abstract

一种用于校准气体传感器的方法，所述气体传感器属于分布在地理区域中的不同位置之间的传感器的网络，所述气体传感器旨在在不同测量时间测量空气中的分析物的浓度，所述地理区域包括至少一个与所述气体传感器间隔开并且远离该气体传感器的参考站，所述参考站旨在在不同参考时间测量空气中的分析物的浓度，所述方法包括以下步骤：a)将参考站与所述气体传感器相关联；b)在校准时隙期间，使用所述气体传感器测量分析物的浓度，并考虑到由与所述气体传感器相关联的参考站测得的分析物的浓度；c)根据由所述参考站在校准时隙期间测得的分析物的浓度的测量值，估计所述气体传感器的位置处的分析物的浓度；d)比较在所述步骤c)中估计的分析物的浓度和在所述步骤b)中由所述气体传感器测得的分析物的浓度。

Description

用于校准气体传感器的方法

技术领域

本发明的技术领域是旨在对环境中、尤其是在城市或城市周边环境中的气体进行测量的气体传感器的校准。

背景技术

获得描绘分子或有害颗粒的浓度的空间分布的图是满足民众和政府期望的需求，尤其是在敏感地理区域，例如城市区域或更具一般性地在可能会受大气污染影响的区域。开发了允许建立大气污染图并预测它们的随时间变化的许多模型。这些模型由分布在所研究的地理区域的传感器来供给。

基于关于污染物排放源的数据，并通过考虑到与拓扑或气候条件有关的参数，模型允许确定环境中的分子或有害颗粒的浓度的空间分布，该环境使用空间网格进行细分。

区域或国家机构操作分布在其领土上的称为参考站的测量站，其允许获得对大气污染物的浓度的规则测量。这些大气污染物是例如NO₂、O₃、CO，或精细颗粒，例如直径小于或等于10μm的颗粒(PM 10)或直径小于2.5μm的颗粒(PM 2.5)。某些机构实现的测量是公开的，即公众能够容易地获得。在欧洲层面，例如可在欧洲环境署的因特网网站上获得这些污染物的浓度。在法国，区域机构管理测量站，这允许获得污染物图以及预测。测量站是可靠但成本高且体积大的设备。因此，难以设想在精细空间网格的节点处来部署它们。它们的数量限于每个居民点有数个单元，甚至对于最大的居民点，有10至20个。

然而，为了获得更加精确的图，并考虑到局部特性，例如局部拥挤的交通，优选的是部署大量测量传感器，这些测量传感器仅间隔数百米。这允许获得对于影响污染物的浓度的局部特点的出现更加具有反应性的图。文献WO2018178561例如描述了一种用于基于分布在密集网格的节点上的传感器来映射环境的方法。考虑到所使用的传感器的数量，这些传感器具有比上述测量站更加简单的设计和更小的成本。相反，必须确保测得的数据可靠，以获得尽可能精确的图。

验证由传感器传送的测量值的准确性的一种方式是将传感器暴露于已知浓度的气体中。但该类型校准难以在现场实现，因此要求将被测试的传感器移动到实验室中，然后暴露于标准气体，之后再重新部署到现场。可以理解，当传感器数量超过数十个或数百个单元时，不能够考虑该类型的校准。

本发明通过提供一种简单方法来解决该问题，该方法用于验证传感器测得的数据的质量并如有必要进行其校准，同时保持传感器部署在现场，并且无需处理所述传感器。

发明内容

本发明的第一目的在于一种用于校准气体传感器的方法，该气体传感器属于分布在地理区域中的不同位置处的传感器的网络，该气体传感器旨在测量空气中的分析物的浓度，该地理区域包括至少一个远离气体传感器的参考站，该参考站旨在测量空气中的分析物的浓度，所述方法包括以下步骤：

a)将至少一个参考站与气体传感器相关联；

b)在校准时隙期间，利用气体传感器测量分析物的浓度，并考虑到由与该气体传感器相关联的每个参考站测得的分析物的浓度；

c)根据由每个参考站在校准时隙期间测得的分析物的浓度的测量值，估计气体传感器的位置处的分析物的浓度；

d)比较在步骤c)中估计的分析物的浓度和在步骤b)中由气体传感器测得的分析物的浓度；

e)根据在步骤d)中进行的比较，校准气体传感器。

浓度可以例如以每单位体积的量或以每单位体积的质量来表示。

根据一个实施例，所述方法在步骤a)和e)之前包括训练步骤以：

-从多个参考站中选择一个或更多个参考站，以使得在校准时隙期间，由每个被选择的参考站测得的分析物的浓度与气体传感器的位置处的分析物的浓度相关联；

-根据由每个被选择的参考站测得的分析物的浓度，确定气体传感器的位置处的分析物的浓度的估计器；

以使得：

-在步骤a)时，每个在训练步骤中被选择的参考站与气体传感器相关联；

-在步骤c)时，通过应用在训练步骤中确定的估计器来估计气体传感器的位置处的分析物的浓度。

校准时隙可以在训练步骤中确定。训练步骤可以采用神经元网络，以选择至少一个参考站并确定估计器和可能地校准时隙。

根据一个优选实施例：

-分析物在地理区域中以预设时间段(例如一天)期间变化的浓度被排放，所排放的分析物的浓度在每个预设时间段、例如在每天期间，在最小值与最大值之间变化；

-校准时隙被确定为对应于所讨论的地理区域中的分析物在每个所讨论的时间段期间、例如在每天期间的最小排放。

在步骤c)时，气体传感器的位置处的分析物的浓度可以：

-视为等于由与气体传感器相关联的参考站测得的分析物的浓度；

-或基于由至少一个与气体传感器相关联的参考站测得的分析物的浓度，通过应用分散模型来估计。

分析物可以由交通或加热装置排放；因此，校准时隙为午夜到早上6点，优选为早上3点至早上6点。

本发明的另一主题在于一种用于估计地理区域中的分析物的浓度的设备，该设备包括：

-分布在地理区域中不同位置处的多个气体传感器，每个气体传感器配置成在不同测量时间测量分析物的浓度；

-接收至少一个气体传感器的测量值的处理单元；

该设备的特征在于，处理单元配置为通过使用位于地理区域中的至少一个参考测量站，实施根据本发明的第一主题的方法。

由以下对作为非限制性示例提供并在下列附图中示出的本发明的具体实施方式的说明，其它优点和特征将更清楚地显现。

附图说明

图1示意性地示出形成覆盖所关注的地理区域的传感器网络的一组基本气体传感器，在该地理区域中还有参考站。

图2A示出污染物的浓度根据气体传感器的地理位置的白日变化性。

图2B示出污染物的浓度根据气体传感器的地理位置的夜间保护性。

图3A示出两个参考站之间的每小时浓度差异在7个月时长期间的平均每日曲线。

图3B示出两个参考站之间的每小时浓度差异在7个月时长期间的平均每日曲线。

图3C示出两个参考站之间的每小时浓度差异在7个月时长期间的平均每日曲线。

图3D示出两个参考站之间的每小时浓度差异在7个月时长期间的平均每日曲线。

图4A示出根据本发明的校准方法的主要步骤。

图4B示出神经元网络估计器的架构的示例。

图5示出根据本发明的气体传感器的校准的效果。

具体实施方式

图1示出了地理区域，期望确定该地理区域中的形成大气污染物的分析物的浓度的图。该分析物例如是气体种类，例如CO、NO、NO₂、O₃、SO₂、C₆H₆等等。它也可涉及精细颗粒，例如PM10或PM 2.5类型的悬浮颗粒。指Particulate Matter(即颗粒物)的缩写PM是本领域技术人员已知的。通常，所讨论的地理区域包括分析物排放源。这些排放源可以与车辆交通、存在城市加热设施、或存在可能会排放分析物的工业设施相关。地理区域可包括城市或城市周边区域，或工业或飞机场区域。在图1所示的示例中，地理区域1是城市的局部，其包括用阴影线画出的道路2。气体传感器3₁、……、3_I分布在地理区域1中。I是指所部署的气体传感器的数量的自然整数。这些传感器例如是NDIR类型的传感器或电化学、光学或具有例如由金属氧化物(MOX)制成的固体衬底的传感器。可例如涉及如在WO2018162848中所述的传感器。在图1中，以黑点形式示出气体传感器。这些传感器限定所讨论的地理区域的网格。两个相邻传感器之间的距离优选地小于1km，甚至小于500m。它通常是数百米。传感器密度通常为每km²有5个传感器。

每个传感器3_i(1<i<I)测量分析物的浓度，例如一天中不同时间的分析物的浓度。测量在测量时间进行。测量时间分布在白天和夜间期间，测量一般按照规则时间间隔、例如每1小时或每2小时来进行。

传感器3_i连接到处理单元4，该处理单元收集在每个处理时间进行的测量，以建立所讨论的地理区域中的分析物的浓度图，并可能地产生预测图。

地理区域1还包括至少一个称为参考站的测量站5。与是紧凑且成本不高的传感器的传感器3_i不同，参考站5是在白天和夜间期间实现精确测量的固定站。通常，地理区域包括多个参考站5_k，指数k是1至N_k的整数，N_k对应于所讨论的地理区域中的参考站的数量。每个参考站5_k连接到数据收集网络6，该数据收集网络提供测得的数值。在图1中，示出了每个用三角形代表的三个参考站5_k＝1、5_k＝2和5_k＝3。参考站5_k可例如由公共运作者运作，其旨在使得关于大气污染的数据公开。在欧盟中，由欧洲环境署运作的关于大气污染的数据中心确保提供由固定测量站测得的称作开放数据的数据。如关于现有技术所述的，这样的参考站提供高质量的测量值，但它们的成本和它们的体积限制它们的数量。这样的站采用单元的形式，该单元设置有一般放置在所述单元顶部处的用于采样环境空气的设备。在所述单元内有专用于例如上文所列出的某些分析物的分析器。

本发明的一个重要方面在于使用由参考站5_k产生的开放数据以进行传感器3_i的校准。

图2A和2B示出分别由气体传感器3_i和参考站5_k在白天期间以及夜间结束时的测量时间测得的分析物(在此为NO₂)的浓度。在这些图中，y轴代表测得的分析物的浓度，x轴代表每个传感器或参考站的位置。由气体传感器3_i进行的测量用黑点表示。来自参考站5_k的测量用黑三角形表示。观察到在白天期间，由气体传感器实现的测量波动。在夜间期间，更具体地，在重新开始人类活动之前的夜间结束时，测量值倾向于围绕环境水平均匀化。环境水平在图2A和2B中用虚线表示。环境水平对应于视为在所研究的地理区域中均匀的污染水平。它是由于局部排放的均匀化以及来自所讨论的地理区域周边扩散的污染物造成的，一个扩散因素是风。对于NO₂观察到了浓度在夜间结束时的均匀化，但该观察记录对于与人类活动(尤其是道路或空中交通、城市加热，或其它周期性工业活动)相关的污染物是有效的。

固定参考站传统地分为相对远离主要污染源的底站和布置在污染源附近的邻近站。例如，Grenoble市具有十多个参考站：某些参考站被视为底站，其它参考站被视为邻近站。其它参考站被视为中间站，即邻近站与底站之间的站。图3A至3D示出分别由两个不同参考站测得的NO₂浓度的平均差异根据日小时的变化。换句话说，它涉及代表由两个不同参考站每小时测得的浓度的平均差异的平均每日曲线。根据在2018年1月与2018年7月之间的7个月的时期计算了小时平均值。在这些图中的每幅中，x轴是日小时(0h至24h)，y轴是NO₂浓度。

图3A和3B示出分别由中间站和第一底站和第二底站测得的浓度的平均差异的每日曲线。图3C示出由两个底站测得的浓度的平均差异的每日曲线。图3D示出由中间站和邻近站测得的浓度的平均差异的每日曲线。

可以看到，在深夜时，即在凌晨2点至6点，或凌晨2点至5点，在每幅图中，测得的浓度的差异小：它们的绝对值小于10μg/m³。因此可得出结论：在该时隙期间，分析物的浓度可合理地被视为是均匀的，分析物的排放最小。这证实2点至6点或2点至5点的时隙可被视为利于校准布置在参考站5_k附近的传感器3_i的时隙。利用参考站5_k提供公众能够容易地通过网络6获得的开放数据的事实。因此使用由参考站传输的公开数据可以校准传感器。为了校准而考虑到的时隙可对应于在其期间不同的参考站测得分析物的均匀浓度的时隙。

图4A示出根据本发明的用于校准气体传感器3_i的方法的主要步骤。

步骤100：将气体传感器3_i与参考站5_k相关联。当所讨论的地理区域1包括多个参考站时，可选择最表征气体传感器的参考站5_k。这样的选择考虑到例如每个参考站与气体传感器之间的距离。该选择也可考虑到其它邻近参数，例如风的方向和速度，或所讨论的地理区域的拓扑结构，以根据所讨论的邻近参数确定最接近的参考站。在图1中，用矢量V代表风。

根据一个变型，如下文所述，气体传感器可关联到多个参考站。

与气体传感器相关联的一个或更多个参考站的选择可以在下文所述的校准步骤90中进行。

步骤110：考虑由参考站5_k在校准时隙中测得的分析物的参考浓度c_ref(T_c)。利用通过运作参考站的公共网络可获得测量值的事实。校准时隙对应于在其期间所讨论的地理区域中的分析物的浓度的变化性最小的时隙。由此，认为气体传感器的位置处的分析物的浓度可基于由参考站进行的测量来估计。

步骤120：基于由参考站提供的测量值，估计由气体传感器所处的地理位置处的分析物的浓度。根据第一方式，认为气体传感器所处的位置处的分析物的浓度等于由参考站测得的分析物的浓度c_ref(T_c)。当在校准时隙期间，分析物分布特别均匀时，该假设是有效的。根据第二方式，通过基于参考站提供的测量值应用分散模型，获得气体传感器所处位置处的分析物的浓度。一个分散模型的示例是本领域技术人员已知的通常用缩写OPSM(Operational Street Pollution Model)来指代的街道峡谷分散模型。

由此，如果c_ref(T_c)是在校准时隙期间由参考站获得的分析物的浓度，

是测量传感器3_i的位置i处估计的分析物的浓度，则：

或

f指代分散模型。

步骤130

在校准时隙期间，通过气体传感器测量分析物的浓度c_i(T_c)。该测量在属于校准时间段的测量时间进行。它不一定与在测量参考浓度c_ref(T_c)的参考时间相同。然而，测量时间和参考时间属于校准时隙。

根据一个变型，参考浓度c_ref(T_c)是通过参考站在校准时隙期间测得的浓度平均值确定的。分析物的浓度c_i(T_c)也可由气体传感器在校准时隙期间测得的浓度平均值确定。

步骤140：校准气体传感器

在该步骤期间，将传感器3_i在校准时隙T_c期间测得的分析物的浓度c_i(T_c)和在步骤120时估计的浓度

进行比较，并根据该比较校准气体传感器3_i。

如果c′_i(T_c)是校准结束时的分析物的浓度，

其中，g是校准函数，该校准函数取决于c_i(T_c)和

校准函数g可以是线性的，以使得：

c′_i(T_c)＝a+bc_i(T_c) (4)

其中，a和b是实数。

由于该校准，推想在校准之后确定的浓度c′_i(T_c)比在校准之前测得的浓度c_i(T_c)更加准确。

根据一个简单示例，b＝1，并且：

其中，

是差值

在多个校准时隙期间的平均值，例如在最近n天期间的校准范围，n例如为2至10。考虑估计数值

和测得数值c_i(T_c)之间的差值根据多个校准范围的平均值允许减小由传感器3_i的噪音的影响。

和c_i(T_c)之间的比较可采取如上所述的差值的形式，但也可采取比值的形式。

周期性地，例如每天或每周，进行步骤100至140。

根据一个实施例，校准仅在存在速度高于预定阈值的风的情况下进行。具体地，认为风是使得分析物的浓度在校准时间段/时隙之前或期间均匀化的额外因素。

根据前述实施例的一个变型，使用多个参考测量站，进行对气体传感器的校准。这可例如涉及考虑到例如距离和/或风的方向和速度和/或所讨论的地理区域的拓扑结构的邻近参数，最接近的K个参考站5_k。K是大于1的自然整数。估计值

可通过源自所讨论的K个参考测量站的参考测量值c_ref,k(T_c)的加权平均值来进行。如1<k<K的指数k对应于考虑到的参考站。

上述方法可包括训练步骤90，在该训练步骤期间，选择其分析物的浓度测量值最与测量传感器位置处的分析物的浓度关联的一个或更多个参考站。训练步骤也可允许估计最利于实现校准的校准时隙T_c。这涉及在其期间的传感器位置处的分析物的浓度的估计值

被视为最可靠的时隙。训练步骤也可允许基于分别由每个所选择的参考站产生的测量值c_ref,k(T_c)，确定气体传感器的位置处的分析物的浓度的估计值

根据一个实施例，训练步骤基于机器学习算法。它可尤其涉及神经元网络类型的算法。该类型架构是本领域技术人员已知的，其包括包括输入数据的输入层IN、至少一个中间层HID或缓冲层，和包括待估计的量(在此为气体传感器处的分析物的浓度

)的输出层OUT。例如，仅将考虑一个中间层。

形成输入层IN的输入数据包括分别由每个所讨论的参考站5_k测得的分析物的浓度c_ref,k(T_c)。输入层IN可包括其它输入数据，例如视为与所追求量化的分析物相关联的其它分析物的测量值。其它测量值也可包括例如选自温度、湿度、风的方向和风的速度的大气参数。

中间层HID形成至少一个包括节点y_j或神经元的缓冲层。节点数量可由本领域技术人员随机确定，或在训练步骤期间确定。缓冲层的数量也可在训练步骤期间确定。对于每个输入数据c_ref,k(T_c)，每个节点y_j对应于在训练步骤期间确定的权重w_k,j。神经元网络的架构可使用在MATLAB环境或PYTHON环境下的专用算法来参数化。

训练允许设置(除其它外)缓冲层的权重因子。在所讨论的示例中，缓冲层包括30个节点。每个节点通过权重因子和偏置连接到输入数据。

图4B示意性地示出包括以下3个层的神经元网络的架构示例：

-包括输入数据c_ref,k(T_c)的输入层IN；

-包括节点(或神经元)y_j的缓冲层HID。指数j是在1至N_j的整数，N_j是一般大于或等于10、并可超过1000的整数。

-包括估计值

的输出层OUT。

中间层的每个节点连接到每个输入数据。在图4B中，为了清晰的目的，没有示出所有连接。

算法由处理单元4实施。算法使用对应于上述分析物的浓度c_ref,k(T_c)的测得的物理数据，以及上述其它输入数据。

赋予每个节点y_j与输入数据x_k相关联的权重w_k,j。由此，每个权重w_k,j与输入数据c_ref,k(T_c)和节点y_j相关联。每个节点也与偏置值w₀,_j相关联。每个节点的权重w_k,_j以及偏置w₀,_j在校准期间确定。每个节点y_j实施激活函数f_j，以使得：

y_j＝f_j(w_0，j+∑_k w_k，j c_rcf,k(T_c)) (6)

每个激活函数f_j的形式由本领域技术人员确定。它可例如涉及为双曲正切型函数的激活函数f_j。组合每个节点y_j的数值以估计输出变量

在校准步骤期间，算法的不同参数(在此为权重、偏置，和激活函数)基于测试数据确定。测试数据一方面是在每个参考站处测得的分析物的浓度，另一方面是优选地使用具有高精度的检测器，在气体传感器处测得的分析物的浓度。

校准也可允许选择具有最优预测能力的参考站，即其测量值最显著地与气体传感器的位置处的分析物的浓度相关联的K个参考站。类似地，也可以使用校准以确定在其期间的估计值

最准确的最合适的校准时隙T_c。

根据一个更细化的模型，输出层可包括不同地理位置处的分析物量的估计值

每个位置对应于不同的气体传感器。输出层则包括与待校准气体传感器相当的数据。

在训练步骤完成时，实施前述步骤100至140：

-在步骤100中，气体传感器3_i与在训练期间选择的参考站5_k相关联；

-在步骤110中，考虑到所选择的K个参考站测得的参考浓度c_ref,k(T_c)，

以及可能的上述其它输入数据；

-在步骤120中，使用神经元网络以估计气体传感器的位置处的分析物的浓度

-步骤130和140与前述的类似。

测试

在包括前述参考站的Grenoble市进行了测试。在测试阶段期间，将气体传感器放置在与中间参考站相同的位置。在该示例中，所讨论的分析物是臭氧(O₃)。通过实施上述步骤，每天校准气体传感器，校准时隙为早上3点至5点之间。在2018年6月20日至2018年7月31日之间进行测试。通过使用公式(5)实现校准。

图5示出了由参考站提供的每日平均值与由气体传感器提供的每日平均值之间的差异的时间变化：

-没有实施校准(曲线a)，即仅基于在安装气体传感器之前的初始校准；

-每天实施所述校准(曲线b)。

在前几天期间，曲线a和b几乎重合。然而，在几天之后，由于气体传感器的规律的校准，曲线a和b清楚地彼此区分。由参考站获得的测量值视为是准确的。

计算了由每条曲线表示的值的平均值，该平均值对于曲线a为29.13μg/m³，对于曲线b为4.56μg/m³。这证实通过对传感器进行规律的校准，由该传感器测得的浓度更代表现实。

本发明允许通过使用由分布在地域上的参考站传送的公开数据，对气体传感器进行精细的校准。基于源自气体传感器和对气体传感器所处位置处的分析物的浓度的估计，远程地进行校准。该校准不要求物理干预气体传感器，并且不要求将气体传感器暴露于标准气体。由于该校准特别简单，它可频繁地实现，例如每天或每周。

本发明可用于校准分布在城市或城市周边环境中或沿主要道路或飞机场附近或甚至在工业设施附近的气体传感器。

Claims

1.一种用于校准气体传感器(3_i)的方法，所述气体传感器属于分布在地理区域中的不同位置之间的传感器(3₁、……、3_I)的网络，所述气体传感器旨在在不同测量时间测量空气中的分析物的浓度，所述地理区域包括至少一个远离所述气体传感器的参考站(5_k)，所述参考站旨在在不同参考时间测量空气中的分析物的浓度，所述方法包括以下步骤：

a)将至少一个参考站与所述气体传感器相关联；

b)在校准时隙(T_C)期间，利用所述气体传感器测量分析物的浓度(c_i(T_C))，并考虑到由与所述气体传感器相关联的每个参考站测得的分析物的浓度(c_ref(T_C))；

c)根据由每个参考站在所述校准时隙期间测得的所述分析物的浓度的测量值，估计所述气体传感器的位置处的分析物的浓度；

d)比较在所述步骤c)中估计的分析物的浓度

和在所述步骤b)中由气体传感器测得的分析物的浓度(c_i(T_C))；

e)根据在所述步骤d)中进行的比较，校准所述气体传感器；

所述方法的特征在于：

·所述分析物在所述地理区域中以一天期间变化的浓度被排放，所排放的分析物的浓度在每天期间在最小值与最大值之间变化；

·所述校准时隙(T_C)被确定为对应于所讨论的地理区域中的所述分析物在每天期间的最小排放。

2.根据权利要求1所述的方法，所述方法在所述步骤a)至e)之前包括训练步骤以：

-从多个参考站中选择一个或更多个参考站，以使得在所述校准时隙期间，由每个被选择的参考站测得的分析物的浓度与所述气体传感器的位置处的分析物的浓度相关联；

-根据由每个被选择的参考站测得的分析物的浓度，确定所述气体传感器的位置处的分析物的浓度的估计器；

以使得：

-在所述步骤a)中，在所述训练步骤中被选择的每个参考站与气体传感器相关联；

-在所述步骤c)中，通过应用在所述训练步骤中确定的估计器来估计所述气体传感器的位置处的分析物的浓度。

3.根据权利要求2所述的方法，其中，所述校准时隙在所述训练步骤中确定。

4.根据权利要求2和3中任一项所述的方法，其中，所述训练步骤采用神经元网络，以选择至少一个参考站并确定所述估计器和可能地所述校准时隙。

5.根据上述权利要求中任一项所述的方法，其中，在所述步骤c)中，所述气体传感器的位置处的分析物的浓度：

-被视为等于由与所述气体传感器相关联的参考站测得的分析物的浓度(c_ref(T_C))；

-或基于由与所述气体传感器关联的至少一个参考站测得的分析物的浓度(c_ref(T_C))，通过应用分散模型(f)来估计。

6.根据上述权利要求中任一项所述的方法，其中，所述分析物通过交通或加热装置排放，所述校准时隙为午夜到早上6点，优选为早上3点到早上6点。

7.根据上述权利要求中任一项所述的方法，其中：

-所述地理区域包括多个参考站；

-所述步骤a)包括根据所述气体传感器与每个参考站之间的距离来关联参考站。

8.根据权利要求8所述的方法，其中，所述步骤a)包括根据通过所述地理区域传播的风的速度和/或根据通过所述地理区域传播的风的方向的参考站的关联。

9.根据上述权利要求中任一项所述的方法，其中，所述分析物为：NO或NO₂或O₃或SO₂或CO或C₆H₆或颗粒物。

10.根据上述权利要求中任一项所述的方法，其中，在所述步骤e)中，通过实施校准函数来校准所述传感器，该校准函数应用于在步骤d)中进行的校准测量值的比较。

11.根据上述权利要求中任一项所述的方法，其中，每个参考站连接到公共数据库，以使得在所述步骤b)中，由所述参考站测得的分析物的浓度取自公共数据库。

12.一种用于估计地理区域中的分析物的浓度的设备，该设备包括：

·分布在所述地理区域之上的多个气体传感器(3₁、……、3_I)，每个气体传感器配置成在不同测量时间测量分析物的浓度；

·接收至少一个气体传感器的测量值的处理单元(4)；

·该设备的特征在于，所述处理单元配置成使用位于地理区域中的至少一个参考测量站(5_k)来实施根据权利要求1至11中任一项所述的方法。