Aug, 2023

揭示隐形之物：通过手机拍摄图片找到特定地点的聚合空气质量指数

PDF
TL;DR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。
发现论文，激发创造
  • 利用用户生成的在线照片估算和监测主要城市的空气污染

    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

  • 基于深度学习技术的基于图像的空气质量指数分析预测肺疾病严重程度

    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

  • 基于物联网的空气质量监测系统结合机器学习实现精准实时数据分析

    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

  • 使用机器学习对印度不同城市和州的空气质量指数（AQI）进行预测建模：研究旁遮普邦燃烧秸杆对 AQI 变异的影响

    本研究基于大气中不同空气污染物浓度预测 AQI，使用了来自德里、哈里亚纳邦和旁遮普邦不同城市的 22 个监测站点提供的数据集，在正确理解和插补数据值的前提下，采用时间序列数据进行了各种机器学习模型和深度学习模型的性能评估，发现随机森林相对于其他模型表现更好。

    Apr, 2024

  • 基于混合深度学习框架的深度空气质量预测

    该研究提出了一种基于深度学习的新型空气质量（主要是 PM2.5）预测模型，该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征，并在两个实际数据集上进行了实验验证，表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。

    Dec, 2018

  • 危险区域：利用颗粒物和卫星图像，基于 U-Net 驱动的分位回归模型可预测 SARS-CoV-2 高风险地区

    该项研究提出了一种用于预测 PM2.5 空气污染的 U-net 驱动的分位数回归模型，该模型基于易获取的卫星图像，可重构 PM2.5 浓度的空间分布，并能对不存在污染数据的地区进行合理的 PM2.5 浓度值预测，从而为政策制定提供重要参考，以降低 COVID-19 传播和致命性的风险。

    May, 2021

  • 基于数据驱动的监督式机器学习方法估计全球环境空气污染浓度及其相关预测区间

    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

  • 城市空气质量预测中大型数据集缺口的管理：DCU-Insight-AQ 参加 MediaEval 2022

    使用多模数据进行空气污染预测，关注在空气质量数据的间隔填充方面的预测准确性，是 MediaEval'2022 Urban Air: Urban Life 和空气污染任务的 DCU-Insight-AQ 团队提交的一部分。

    Dec, 2022

  • 一种可扩展的环境空气污染浓度估算框架

    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

  • 基于深度学习的智能手机室内旅游景点区域图像定位

    借助深度学习算法，使用智能手机相机图像对室内旅游景点进行定位，无需额外投资，并在巴西的真实场景中评估了该方法的可行性。

    Mar, 2024