Dec, 2023

布琼布拉细颗粒物动态的建模与表征

PDF
TL;DR该论文通过使用布隆迪经济首都布琼布拉市安装的低成本传感器在一年内收集的 PM2.5 数据，首次对布琼布拉市 PM2.5 的时空变异性进行了表征和预测，结果显示 3 个市区的 PM2.5 质量浓度有所不同，并且平均每小时和每年 PM2.5 浓度超过世界卫生组织的标准，为了进行 PM2.5 浓度的预测，采用了循环神经网络和长短期记忆方法（LSTM）。
air pollutionurbanizationpm2.5sensorsprediction
发现论文，激发创造
  • 基于传感器数据的室内 PM2.5 预测与室外空气污染关联性研究：一项模拟研究（澳大利亚）

    通过创新的三阶段深度集成机器学习框架 (DEML)，该研究预测了澳大利亚 24 个不同建筑物中室内细颗粒物 (PM2.5) 的小时浓度，并调查了其与室外 PM2.5 浓度之间的相关性。结果表明，DEML 模型在大部分传感器中的预测精度优于基准模型，实现了 R2 值在 0.63 到 0.99 之间，RMSE 值在 0.01 到 0.663 mg/m3 之间。这项研究强调了准确室内空气质量预测的重要性，对于开发特定位置的早期警报系统和制定有效干预措施至关重要，以提高公共健康结果。

    May, 2024

  • 利用遥感数据进行空气污染评估

    使用机器学习模型，特别是随机森林模型，在 2019 年对伊比利亚半岛的五种选择性污染物进行了浓度预测，并使用卫星测量、气象变量、土地利用分类、时间变量和空间变量作为模型特征进行评估。

    Feb, 2024

  • 使用双向 LSTM 算法预测尼日利亚波特哈科特市空气质量指数的模型

    该研究使用双向 LSTM 模型预测尼日利亚空气质量，参考空气污染数据借助 pandas 工具进行预处理并通过 Bi-LSTM 模型进行训练和评估，结果表明模型具有良好的准确性和连续性。

    Feb, 2023

  • 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

  • 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

  • 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

    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

  • 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

  • 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

  • 城市空气污染预测：利用卫星观测和气象预报的机器学习方法

    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

  • 坎帕拉空气质量监测的高斯过程

    利用高斯过程预测空气污染现状以及将来的趋势，并从设备、数据处理方法等方面进行了探索与比较。

    Nov, 2023