Apr, 2024

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

PDF
TL;DR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。
air pollutionaqi predictionair pollutant concentrationsml modelsperformance evaluation
发现论文，激发创造
  • 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

  • 应用机器学习进行空气质量预测：全球视角与对低资源环境的相关性

    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

  • 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

  • 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

  • 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

  • 利用物联网、大数据和机器学习技术的空气污染监测和预测系统现状

    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

  • 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

  • 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

  • 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