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

通过创新的三阶段深度集成机器学习框架 (DEML)，该研究预测了澳大利亚 24 个不同建筑物中室内细颗粒物 (PM2.5) 的小时浓度，并调查了其与室外 PM2.5 浓度之间的相关性。结果表明，DEML 模型在大部分传感器中的预测精度优于基准模型，实现了 R2 值在 0.63 到 0.99 之间，RMSE 值在 0.01 到 0.663 mg/m3 之间。这项研究强调了准确室内空气质量预测的重要性，对于开发特定位置的早期警报系统和制定有效干预措施至关重要，以提高公共健康结果。

May, 2024

该论文通过使用布隆迪经济首都布琼布拉市安装的低成本传感器在一年内收集的 PM2.5 数据，首次对布琼布拉市 PM2.5 的时空变异性进行了表征和预测，结果显示 3 个市区的 PM2.5 质量浓度有所不同，并且平均每小时和每年 PM2.5 浓度超过世界卫生组织的标准，为了进行 PM2.5 浓度的预测，采用了循环神经网络和长短期记忆方法（LSTM）。

Dec, 2023

基于图卷积网络和门控循环单元（M2G2）的多空间多时间空气质量预测方法弥合了空气质量预测跨空间和时间尺度的差距，并通过多尺度空间图卷积（MS-GCN）和多尺度时间门控循环单元（MT-GRU）模块实现了综合信息交换与整合，提高了 accuracy。

Dec, 2023

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

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

使用机器学习模型，特别是随机森林模型，在 2019 年对伊比利亚半岛的五种选择性污染物进行了浓度预测，并使用卫星测量、气象变量、土地利用分类、时间变量和空间变量作为模型特征进行评估。

Feb, 2024

基于低成本颗粒物传感器的 IoT 空气质量多传感器设备的全局校准方法可大规模部署准确的 IoT 空气质量监测设备，降低校准成本，并实现个人暴露监测应用的即时准确读数和降低远程数据传输需求。

Oct, 2023

提出一种基于强度和空间信息的新型模块化通用滤波流程，用于消除探测到的烟雾颗粒物，实现移动机器人在困难和无结构的亚地下环境中的安全自主导航。

Aug, 2023

通过卫星遥感数据、人工智能技术和机载处理，提供近实时检测沿海水体中污染物的突破性水质监测方案，以填补现有文献中存在的重要空白，并在环境监测、公共卫生保护和资源保护方面取得实质性进展。

Apr, 2024