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
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
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
空气污染是全球死亡率的领先原因之一，而新的低成本传感器可以更高效地监测，层次模型可改进 Bayesian 最优化方法来解决地面污染监测布置问题。
Feb, 2022
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
本文综述了在地球卫星观测中，机器学习算法（尤其是高斯过程回归）在生物物理参数估计方面的应用，以及如何利用前向模型改进预测和理解物理关系。最后，本文提出了三种高斯过程模型，分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器，通过植被监测和大气建模的实例验证了它们的性能。
Dec, 2020
实时重建城市空气污染地图的问题，通过在城市图上提出不同的重建方法，包括完全数据驱动、物理驱动或混合驱动，并结合超级学习模型，本研究在法国巴黎市中心测试了方法的性能。
针对环境监测中的时空变异性，我们提出了一种规划与学习方法，通过学习和完善环境模型，实现自主海洋监测任务；该方法结合了最信息丰富数据的规划和稀疏高斯过程学习组件，提高了计算效率，仿真结果表明该方法准确性和效率兼备。
Sep, 2016