机器学习降低空气污染
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
本研究利用两个月的空气质量数据,通过提出一种新颖的机器学习方法,在全球 197 个首都的世界天气数据库中运用气象、空气污染物和空气质量指数特征,预测下一天的空气质量。通过评估多个机器学习模型,证明了随机森林算法在分类而非回归应用时可靠性预测的有效性,模型的泛化能力提高了 42%,回归交叉验证得分为 0.38,分类交叉验证得分为 0.89。研究还考虑了可解释的机器学习,给出了在高资源和低资源环境中实施该解决方案的成本估算及技术许可商业模式的初步尝试。该研究突出了资源有限国家在等待更大数据集以进一步改进预测能力之际,自主预测空气质量的潜力。
Jan, 2024
本文探讨了在经济上有限的国家使用价格便宜的传感器进行数据收集造成的偏差和不确定性问题,并通过利用概率机器学习方法和空气污染网络案例,试图通过建立传感器校准模型解决该问题,提出了基于分布或高斯过程的个体传感器校准建模方法,旨在为决策提供更加准确的数据支持。
Nov, 2019
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
通过机器学习模型,本文提供了一份综合的调研报告,涵盖了空气质量分析的各个方面,从数据采集到预处理,并包括污染模式挖掘、空气质量推断和预测等分析任务。同时,给出了对现有方法和应用的系统分类和总结,并提供了一份公开可用的空气质量数据集列表,以便在这个方向上进行研究。最后,我们确定了一些有前景的未来研究方向。这份调研报告可以作为一个宝贵的资源,帮助专业人士找到适合解决自己特定挑战的解决方案,并推动他们在前沿领域的研究。
Oct, 2023
该研究回顾了使用机器学习和物联网(IoT)进行室外空气污染预测以及监测传感器和输入特征的组合的应用,发现了预测的三种方法:时间序列、基于特征和时空。该回顾还提出了未来研究的方向,并强调了在医疗保健、城市规划、全球协同和智能城市方面的实际意义。
Jan, 2024
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
通过评估和比较四种基于机器学习的风力发电预测模型,我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果,平均归一化均方根误差降至 22%,同时减少了均方根误差,并且未来研究应当探究模型流程的变化以提高预测性能。此外,我们引入了连续学习策略,该策略在新数据可用时取得了最高的预测性能提升。
Feb, 2024
城市化对经济增长有促进作用,但也通过环境恶化对环境造成危害。机器学习已成为一个有很大潜力的工具,通过识别关键的预测特征来跟踪环境恶化。最近的研究专注于利用污染物水平和颗粒物作为环境状态指标来开发预测模型,以勾勒出所面临的挑战。机器学习被用来识别与环境恶化相关的模式。该研究旨在帮助政府识别干预点,改进规划和保护工作,并最终促进可持续发展。
Aug, 2023
本研究通过机器学习模型对垃圾转燃料发电厂未来传感器读数进行预测,从而实现对厂址运营的主动控制。我们开发了三种不同类型的模型进行比较(仅考虑上一次预测值的 naive 预测,基于过去传感器数据的神经网络以及使用特征构建的梯度提升树回归器),并通过加拿大垃圾转燃料发电厂的真实案例进行了开发和测试。我们发现,采用方法 (c) 得到了最佳结果,而方法 (b) 的效果较为不稳定且无法始终超越 naive。
Sep, 2022