城市空气污染的状态估计：统计、物理和超学习图模型

Feb, 2024

城市空气污染的状态估计：统计、物理和超学习图模型

State estimation of urban air pollution with statistical, physical, and super-learning graph models

Matthieu Dolbeault, Olga Mula, Agustín Somacal

TL;DR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。

Abstract

We consider the problem of real-time reconstruction of urban air pollution maps. The task is challenging due to the heterogeneous sources of available data, the scarcity of direct measurements, the presence of noise, and the large surfaces that need to be considered. In this work, we i

real-time reconstruction urban air pollution maps city graphs data-driven paris, france

发现论文，激发创造

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

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

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

利用大规模城市数据解析环境空气污染

本文提出了一个大规模的城市数据集，在建模预测空气污染水平时，采用了基于 Transformer 的模型 ——cosSquareFormer，并通过其他方法探究数据集，以更好地理解污染水平的动态变化与其主要原因。

Sep, 2021

基于物理学的机器学习模型用于室内空气质量估计

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

低成本空气污染网络的机器学习

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

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

应用变分图自编码器实现矩阵补全：超本地空气质量推断

该研究使用移动监测站数据进行街道级别空气质量推断，通过基于图卷积自编码器的新颖变分模型有效捕捉了测量的时空相关性，无需额外信息即可获得更好的推断结果。

Nov, 2018

城市空气质量分析的机器学习：综述

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