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

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

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

该研究提出采用计算机视觉技术分析社交媒体上的照片来监测中国主要城市的空气质量，并与官方 PM 2.5 记录进行相关性分析，研究表明该基于图像的方法具有预测和监测空气污染的潜力。

Aug, 2015

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

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