基于商业CO2传感器与机器学习的千所小学教室空气交换率自动化评估研究

推荐：为应对COVID-19后学校教室通风评估难题，研究人员开发了一种基于商业CO2传感器和机器学习的高效方法，通过分析放学后CO2衰减曲线自动计算空气交换率(AER)。研究覆盖美国东北部125所学校的3206间教室，全年获取超64万条衰减曲线，平均AER为3.0 h?1，机械通风教室AER显著提高1.8倍。该方法为全球学校提供低成本、可扩展的通风监测方案。

　　

在COVID-19大流行后，学校教室的空气质量成为关乎学生健康的核心问题。空气交换率(Air Exchange Rate, AER)作为衡量每小时室内空气置换次数的关键指标，直接影响呼吸道疾病传播风险。然而，传统AER检测依赖昂贵的示踪气体技术，且无法反映动态变化，而多数学校缺乏专业资源。美国波士顿大学等机构的研究团队创新性地利用商业CO₂传感器和机器学习算法，实现了大规模教室AER的自动化评估，成果发表于《Indoor Environments》。

研究团队采用三大关键技术：1) 对分钟级CO₂数据使用时移主成分分析(PCA)降噪；2) 基于放学后1 PM-6 PM的CO₂衰减曲线（要求衰减时长15-60分钟且浓度差>200 ppm），通过广义线性模型(GLM)拟合计算AER；3) 利用波士顿公立学校125所学校3206间教室的传感器网络验证方法，并与传统Q-Trak设备对比（平均差异0.19 h^?1）。

3.1 数据完整性验证
全年筛选后获得32.3万条有效AER数据，教室日均84条。传感器验证显示CO₂读数相关性达0.95-1.0，GLM与传统方法估算AER误差仅9%。

3.2 AER时空变异性
单间教室年AER波动达0.8-11.1 h^?1（均值3.4 h^?1），反映自然通风受环境因素显著影响。中央机械通风教室AER均值(4.1 h^?1)显著高于无HVAC教室(2.3 h^?1)，但仍有55%天数未达CDC推荐的5 h^?1标准。

3.3 系统类型差异
中央HVAC学校仅23%天数达到"理想"通风水平（>6 h^?1），而无HVAC学校75%天数处于"低"水平（<3 h^?1），凸显基础设施不平等问题。

讨论指出，该方法首次实现全学区全年AER自动化监测，但存在三点局限：1) 依赖"充分混合"假设，实际可能存在CO₂浓度梯度；2) 使用夜间CO₂均值替代环境基线可能引入误差；3) 仅捕捉放学后衰减期数据。未来可结合PM_2.5监测或人工智能 occupancy 预测提升精度。

这项研究为资源有限的学校提供了革命性的通风评估工具，其开源代码允许全球复制应用。更重要的是，数据揭示了美国学校 ventilation equity（通风公平性）问题——少数族裔和低收入社区更可能就读于无HVAC设施的学校。研究团队强调，将机械通风系统与建筑管理系统联动（如CO₂驱动的需求控制通风），是提升校园健康环境的关键路径。