Air quality monitoring stations are essentials for monitoring air pollutants and, therefore, are essential to protect the public health and the environment from the adverse effects of air pollution. Two or more stations may monitor the same pollutant behavior. In this scenario, the equipment must be reallocated to provide a better use of public resources and to enlarge the monitored area. The identification of redundant stations can be carried out by the application of principal component analysis (PCA) as a grouping technique. The principal component analysis is a set of linear combinations of the original variables constructed to explain the variance–covariance structure of the data. It is well known that outliers affect the covariance structure of the variables. Since the components are computed by using the covariance or the correlation matrix, the outliers also affect the properties of the components. This article proposes a grouping methodology that applies robust PCA to identify air quality monitoring stations that present similar behavior for any pollutant or meteorological measure. To illustrate the usefulness of the proposed methodology, the robust PCA is applied to the management of the automatic air quality monitoring network of the Greater Vitória Region in Brazil that consists of 8 stations. It was found that four components could explain 84% of the total variability, and it is possible to create a group composed of at least two stations in each one of the components. Therefore, the redundant stations can be installed in a new site to expand the monitored area.

空气质量监测站对于监测空气污染物至关重要，因此对于保护公众健康和环境免受空气污染的不利影响至关重要。两个或多个站点可以监视相同的污染物行为。在这种情况下，必须重新分配设备以更好地利用公共资源并扩大监视区域。冗余站的识别可以通过应用主成分分析（PCA）作为分组技术来进行。主成分分析是一组原始变量的线性组合，用于解释数据的方差-协方差结构。众所周知，离群值会影响变量的协方差结构。由于分量是通过使用协方差或相关矩阵来计算的，离群值也会影响组件的属性。本文提出了一种分组方法，该方法可应用鲁棒的PCA来识别对任何污染物或气象措施表现出相似行为的空气质量监测站。为了说明所提出的方法的有效性，将鲁棒的PCA应用于巴西大维托里亚地区由8个站点组成的自动空气质量监测网络的管理。发现四个分量可以解释总变异性的84％，并且有可能在每个分量中创建一个至少由两个站组成的组。因此，可以将冗余站安装在新站点中以扩展监视区域。本文提出了一种分组方法，该方法可应用鲁棒的PCA来识别对任何污染物或气象措施均表现出类似行为的空气质量监测站。为了说明所提出的方法的有效性，将鲁棒的PCA应用于巴西大维托里亚地区由8个站点组成的自动空气质量监测网络的管理。发现四个分量可以解释总变异性的84％，并且有可能在每个分量中创建一个至少由两个站组成的组。因此，可以将冗余站安装在新站点中以扩展监视区域。本文提出了一种分组方法，该方法可应用鲁棒的PCA来识别对任何污染物或气象措施均表现出类似行为的空气质量监测站。为了说明所提出的方法的有效性，将鲁棒的PCA应用于巴西大维托里亚地区由8个站点组成的自动空气质量监测网络的管理。发现四个分量可以解释总变异性的84％，并且有可能在每个分量中创建一个至少由两个站组成的组。因此，可以将冗余站安装在新站点中以扩展监视区域。为了说明所提出的方法的有效性，将鲁棒的PCA应用于巴西大维托里亚地区由8个站点组成的自动空气质量监测网络的管理。发现四个分量可以解释总变异性的84％，并且有可能在每个分量中创建一个至少由两个站组成的组。因此，可以将冗余站安装在新站点中以扩展监视区域。为了说明所提出的方法的有效性，将鲁棒的PCA应用于巴西大维托里亚地区由8个站点组成的自动空气质量监测网络的管理。发现四个分量可以解释总变异性的84％，并且有可能在每个分量中创建一个至少由两个站组成的组。因此，可以将冗余站安装在新站点中以扩展监视区域。