本文提出了开发一种可在任何地方使用的便携式空气质量检测设备，该设备使用 MQ135 和 MQ3 两个传感器检测有害气体并以每百万为单位测量空气质量，同时通过 ThinkSpeak 云平台存储和可视化数据，并进行机器学习分析。

Jul, 2023

本研究通过使用智能手机相机拍摄的图像，使用深度卷积神经网络（DCNN）开发了一个基于图片的 PM2.5 浓度预测模型，该模型在预测特定位置的 PM2.5 浓度方面优于其他流行的模型，并提供了来自达卡的大气图像和相应 PM2.5 测量结果的公开数据集。

Aug, 2023

本文回顾了近期的研究，重点关注数据来源、监测和预测模型，采用智能设备、机器学习、大数据技术和物联网等方法，展示了改善空气污染模型的各种方面的研究进展和面临的问题和挑战。

Apr, 2023

实时重建城市空气污染地图的问题，通过在城市图上提出不同的重建方法，包括完全数据驱动、物理驱动或混合驱动，并结合超级学习模型，本研究在法国巴黎市中心测试了方法的性能。

Feb, 2024

通过开发信息技术来民主化科学知识以及支持公民赋权是一项具有挑战性的任务。我们与社区合作开发了一个空气质量监测系统，整合了异构数据。通过使用动画烟雾图像、空气质量数据、众包气味报告和风数据，系统提供了强有力的科学证据。研究表明，该系统提供的科学知识鼓励了与监管机构进行对抗性讨论，赋予了该社区支持政策制定的权力，并重新平衡了利益相关者之间的权力关系。

Apr, 2018

通过数据驱动的监督机器学习框架填补空缺的时间和空间测量来生成全面的污染物数据集，为依赖室外空气污染数据进行下游评估的各方提供了具有 0.25 度细粒度和小时间隔的数据，同时为每个估计值提供了预测区间，从而支持更详细的研究。还通过检查模型在不同地理位置上的表现，为将来监测站的战略放置提供了见解和建议，以进一步提高模型的准确性。

Feb, 2024

利用 Sentinel-5P 卫星、气象条件和拓扑特征的数据，本研究引入了一系列机器学习模型来预测未来 5 种主要污染物的水平。通过在米兰都市区进行的实验，这些模型在预测未来一天的污染物水平方面表现出了良好的效果，误差率约为 30%。该研究对提升我们对城市空气质量动态的理解以及强调结合卫星、气象和地形数据来开发强大的污染物预测模型的重要性做出了贡献。

May, 2024

通过使用图像数据预测空气质量、评估肺病严重程度的整合方法，以提高 AQI 和肺病严重程度的准确性，并达到了 87.44% 的 AQI 预测准确率和 97.5% 的肺病严重程度评估准确率。

May, 2024

通过机器学习填补缺失的空气污染浓度数据，我们提供了英国 2018 年每小时 1kmx1km 的全面数据集，对空气污染的浓度进行预测、估计和捕捉，使相关利益相关方能以更高分辨率进行研究。

Jan, 2024

本文提出了一个大规模的城市数据集，在建模预测空气污染水平时，采用了基于 Transformer 的模型 ——cosSquareFormer，并通过其他方法探究数据集，以更好地理解污染水平的动态变化与其主要原因。

Sep, 2021