La surveillance des particules fines dans l'air ambiant est cruciale pour la santé publique et l'environnement. Les capteurs à bas coût, offrent une alternative pour collecter des données localisées et en temps réel qui permettent de compléter avantageusement le réseau de stations de mesures fixes. Néanmoins, une fois déployés sur le terrain, la qualité des données de ces dispositifs est susceptible de se dégrader. Il est donc nécessaire de proposer des techniques de calibrage facile à implémenter sans déplacer les capteurs pour garantir des mesures plus fiables dans le temps. Cette étude vise à évaluer les performances de différents modèles de Machine Learning (régression linéaire multiple, forêts aléatoires, Long Short Term Memory LSTM, etc.) pour le calibrage de capteurs de particules PM2,5 en colocalisation avec un instrument de référence, puis à tester la transférabilité du modèle pour corriger les mesures des capteurs déployés dans des zones plus éloignées. Les données de la base SensEURcity, collectées à Anvers, révèlent que le modèle LSTM est le plus précis, avec un RMSE moyen de 8,79 µg/m³, et capture bien les dépendances temporelles des mesures. L'évaluation de la transférabilité montre une fiabilité accrue des capteurs déployés, avec un Coefficient de Corrélation Intra-classe (CCI) supérieur à 0,75 et une nette réduction du RMSE normalisé après calibrage.

Monitoring fine particulate matter in ambient air is critical for public health and environment. Low-cost sensors provide an alternative for collecting real-time data, complementing regulatory measurement station networks. However, once deployed in the field, the data quality from these devices can degrade over time. It is therefore necessary to propose calibration techniques that are easy to implement without moving sensors to guarantee reliable measurements over time. This study evaluates the performance of various Machine Learning models (e.g., multiple linear regression, random forests, Long Short-Term Memory networks LSTM) for calibrating PM2.5 sensors collocated with a reference instrument, and then to test the transferability of the model to correct measurements from sensors deployed in distant areas. Using the SensEURcity dataset collected in Antwerp, the LSTM model demonstrated the highest accuracy, achieving an average RMSE of 8.79 µg/m³ while effectively capturing temporal dependencies. Transferability assessments revealed improved reliability for deployed sensors, with an Intraclass Correlation Coefficient (ICC) above 0.75 and a significant reduction in normolized nRMSE after calibration.