城市空气质量分析的机器学习:综述
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
该研究提出了六种基于物理学的机器学习模型来准确估计室内污染物浓度,这些模型包括物理状态空间概念、门控循环单元和分解技术的巧妙组合。这些模型相对简单,计算效率更高,且能够捕捉常常受到传感器采集的室内空气质量时间数据的非线性模式。
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
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
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
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
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