- 天空之眼：利用卫星影像进行砖窑的检测与合规监测
空气污染每年导致 700 万人死亡，砖厂制造业在人口密集的印度恒河平原中占据 8% 至 14% 的空气污染。本研究介绍了一种可扩展的砖窑检测和自动合规监测框架，应用谷歌地图静态 API 下载卫星图像和 YOLOv8x 模型进行检测。我们发现 - 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 - 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。
- 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
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 - 通过潜在依赖因子进行迁移学习用于估计 PM 2.5
通过空间转移学习方法中引入了新的特征 —— 潜在依赖因子 (LDF)，该特征捕获了源域和目标域之间的空间和语义依赖关系，并成功应用于空气污染中的颗粒物 PM2.5 的估计问题中，实验结果显示使用 LDF 的转移模型比其他基准模型的性能提升了 - 大数据分析用于分类土方工程相关位置：成都研究
通过使用倾卸车轨迹、城市兴趣点（POI）和土地覆盖数据，对城市空气污染源进行分类，并研究特征与尘埃污染源之间的关系，以实现准确的分类。该方法在成都的 Alpha MAPS 系统中成功实施，为城市污染控制提供决策支持。
- 基于卫星影像的砖窑检测与合规监测的可扩展方法：印度部署案例研究
空气污染每年夺走 700 万人的生命。砖瓦制造行业是最大的煤炭消费者之一，导致印度 - 恒河平原（印度次大陆人口密集地带）空气污染的 8%-14%。由于砖瓦窑是一个无组织的部门，并且数量庞大，所以检测与居住地的距离等政策违规行为并不容易。空 - GeoFormer：基于视觉和序列变换的温室气体监测方法
通过结合视觉转换器模块和高效的时间序列转换器模块，GeoFormer 模型在预测地表二氧化氮（NO2）浓度方面取得了高准确度（MAE 5.65），证明了使用卫星数据进行增强温室气体排放洞察力的有效性，对于推进全球气候变化监测和排放调控工作具 - 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。
- 基于社交媒体数据的社区行为对危机活动的理解：对纽约市 2023 年加拿大野火的研究
利用大规模社交媒体数据研究 2023 年加拿大野火烟在纽约市的浮现对纽约市的危机活动关切（如疏散、室内滞留、购物和休闲活动等）产生了巨大影响，并开发了模型进行不同活动关切的社区推断。研究发现，在野火期间，女性更不可能讨论疏散、医疗、社交或休 - 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 - 布琼布拉细颗粒物动态的建模与表征
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 - 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。
- 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 - 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。
- 空气污染预测的新型回归和最小二乘支持向量机学习技术
提出了一种名为 DR-LSSV 技术的新技术来预测空气污染，结果表明该技术可以提高预测性能并在空气污染预测准确性、预测时间和误报率方面优于传统的机器学习方法，从而减少对人类和生物的危害。
- 使用音视频深度学习联合技术进行实时空载车辆检测
本文提出了一种基于多传感器、音频视频与机器学习方法的实时车辆怠速检测算法，能够在道路交通繁忙环境下准确快速地检测开车、熄火和持续怠速状态，此算法可集成到实时或离线系统中，有助于减少车辆尾气排放及减轻空气污染。
- 城市空气污染预测的时空图卷积循环神经网络模型
使用 Spatiotemporal Graph Convolutional Recurrent Neural Network 模型，结合 GCN 框架和 RNN 结构进行空气质量预测，相较于目前最先进的 ConvLSTM 模型具有更好的性能 - 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。
- AAAI使用 MCMC 采样最大流量进行城市规模的污染感知交通路由
该研究使用基于采样的方法，通过设计污染感知的流量调度策略，实现在保证短的通行时间和充分利用道路容量的同时，避免区域污染，有效减少城市空气污染的问题。使用 SUMO 交通模拟器在世界各大城市大幅度减少了污染区域，证明了该方法的可行性。