Automatic Baseline Correction is the state-of-the-art calibration method of non-dispersive infrared CO2 sensing, which is the standard CO2 gas monitoring method. In this thesis, we improve it by introducing the dynamic baseline based on environmental data. The 96 data sets from 48 atmospheric stations verify the characteristics of the annual growth trend and seasonality of the baseline model. In order to improve the accuracy of the calibration, the k-means clustering method is used to identify different types of baselines. Then the localized dynamic baseline model is predicted by using the location information of the stations only, which provides an executable calibration implementation for dynamic baseline calibration without relying on historical CO2 data. 

Automatisk baslinjekorrigering är den senaste kalibreringsmetoden för icke-dispersiv infraröd CO2 avkänning, vilket är standard CO2 gasövervakningsmetod. I denna avhandling förbättrar vi den genom att introducera den dynamiska baslinjen baserat på miljödata. De 96 datamängderna från 48 atmosfärstationer bekräftar egenskaperna för den årliga tillväxttrenden och säsongsmässigheten hos basmodellen. För att förbättra kalibreringens noggrannhet används k-medelklusteringsmetoden för att identifiera olika typer av baslinjer. Därefter förutses den lokaliserade dynamiska baslinjemodellen med endast platsinformationen för stationerna, som ger en körbar kalibreringsimplementering för dynamisk baslinjekalibrering utan att förlita sig på historisk CO2 data.