Apr, 2024

朝向绿色夜晚：探索基于人工智能的光污染管理解决方案

PDF
TL;DR通过数据科学和机器学习技术，本研究旨在通过跨学科的方法解决广泛存在的光污染问题。通过分析大量数据集和研究发现，我们的目标是开发能够预测不同地点和时间观察到的天空发光程度的预测模型。我们的研究旨在为基于证据的干预提供依据，并促进负责任的室外照明实践，以缓解光污染对生态系统、能源消耗和人类福祉的不利影响。
light pollutiondata sciencemachine learningpredictive modelsoutdoor lighting practices
发现论文，激发创造
  • 机器学习降低空气污染

    本文提出了一种数据驱动的方法，通过将运营决策与天气条件联系起来，缓解工业厂区对附近城市的空气污染的影响，结合预测和规定性机器学习模型预测短期风速和方向，并建议减少或暂停工业生产的运营决策，从而实现可持续性的工业发展。

    Mar, 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

  • 面向基于自然的气候解决方案的 AI 驱动集成式排放监测与管理

    提出一种新的综合框架，用于支持基于人工智能的自然气候决策制定中的各个方面的综合决策支持模型，包括植被碳储量评估、火灾检测、逆转风险减轻和灾害响应规划等不同方面。

    Dec, 2023

  • 基于 CNN 的智能路灯管理系统，利用智能闭路电视摄像机和语义分割

    通过使用计算机视觉技术中的智能交通监控系统并结合闭路电视（CCTV）摄像头的方法，自动检测行人或车辆的存在并控制 LED 路灯的亮度，从而使路灯在其不需要亮度的情况下降低其亮度，以避免能源浪费和降低成本。该方法的优点是简单，高效，耐久且比传统方法更有弹性。

    Sep, 2022

  • 机器学习和物联网在户外空气污染监测和预测中的应用：一项系统文献综述

    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

  • 绿色人工智能的系统性评估

    通过对 98 个文献的分析，系统地回顾了绿色人工智能研究领域。大多数研究关注于 AI 模型的环境可持续性，包括监控 AI 模型的排放量、调整超参数以提高模型的可持续性，或者对模型进行基准测试。实验室实验是最常见的研究策略。报告的节能率高达 115％，其中节能 50％以上相当普遍。

    Jan, 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

  • 利用机器学习对卫星夜间灯光时间序列进行自适应建模，跟踪城市变化过程

    本文提出了一种数据驱动方法来检测夜间卫星数据（NTL）中的城市变化，通过使用神经网络来预测过去的数据记录，比较模型预测与观察到的 NTL，采用异常检测方法来检测城市变化方向和程度，从而实现了从大规模未标记数据中高效地检测城市的变化过程。

    Jun, 2023

  • 夜晚中的 Lumos：探索夜间灯光模式的 AI 视觉工具

    NightPulse 是一款交互式工具，用于夜间光数据的可视化和分析，支持图像分割，聚类和变化模式检测，以识别城市发展和扩展模式。

    Jun, 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