Search research articles

Videos de Conceptos Relacionados

Multi-input and Multi-variable systems

Multi-input and Multi-variable systems

Cruise control systems in cars are designed as multi-input systems to maintain a driver's desired speed while compensating for external disturbances such as changes in terrain. The block diagram for a cruise control system typically includes two main inputs: the desired speed set by the driver and any external disturbances, such as the incline of the road. By adjusting the engine throttle, the system maintains the vehicle's speed as close to the desired value as possible.
In the absence of...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por

Same author

Triboostcardio ensemble model for cardiovascular disease detection using advanced blockchain-enabled health monitoring.

Frontiers in artificial intelligence·2026

Same author

Role of triage audit in an ongoing differentiated TB care initiative to reduce deaths in Tamil Nadu, India.

Public health action·2025

Same author

Safety assessment of resveratrol surrogate molecule 5 (RSM5): Acute and sub-acute oral toxicity studies in BALB/c mice.

Toxicology reports·2025

Same author

Multivariate Brain Tumor Detection in 3D-MRI Images Using Optimised Segmentation and Unified Classification Model.

Journal of evaluation in clinical practice·2024

Same author

Nanogels as novel drug nanocarriers for CNS drug delivery.

Frontiers in molecular biosciences·2023

Same author

Exploring Knowledge of Cognitive Disposition to Respond in Clinical Decision-Making among Early Clinical Learners.

Maedica·2023

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Search research articles

Video Experimental Relacionado

Updated: Jun 17, 2026

Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy

Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy

Published on: February 25, 2021

Predicción de la calidad del aire mediante la integración de datos de teledetección multifuente con un marco híbrido

S Kalaiselvi^1,2, V Anitha¹, V Manimaran²

¹Department of Computer Science and Engineering, National Engineering College, Kovilpatti, Tamil Nadu, India.

Scientific reports

|December 15, 2025

Resumen

La predicción precisa de la calidad del aire es vital para la salud urbana. Un nuevo modelo híbrido de aprendizaje profundo, MAST-Net, utiliza datos satelitales e IA para predecir contaminantes del aire como PM2.5, mejorando la precisión hasta en un 31%.

Palabras clave:

Predicción de la calidad del aire Aprendizaje profundo Monitoreo ambiental Fusión multimodal Teledetección Modelado espacio-temporal

Más Videos Relacionados

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Published on: October 24, 2025

Videos de Experimentos Relacionados

Last Updated: Jun 17, 2026

Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy

Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy

Published on: February 25, 2021

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Published on: October 24, 2025

Área de la Ciencia:

Ciencias Ambientales
Ciencias de la Computación
Teledetección

Sus antecedentes:

La creciente contaminación del aire representa un riesgo significativo para la salud pública y los entornos urbanos.
El monitoreo y la predicción efectivos de la calidad del aire son esenciales para la gestión ambiental.
Los métodos existentes a menudo luchan con la complejidad y la naturaleza multifacética de la contaminación del aire.

Objetivo del estudio:

Desarrollar un marco novedoso de aprendizaje profundo híbrido para la predicción precisa de la calidad del aire.
Integrar datos de teledetección multifuente con observaciones meteorológicas y terrestres.
Mejorar la confiabilidad y el rendimiento de los modelos de predicción de la calidad del aire.

Principales métodos:

Introducción de la Red Espacio-Temporal Basada en Atención Multimodal (MAST-Net).
Utilización de Memoria a Largo Plazo (LSTM) y Redes Neuronales Convolucionales (CNN) para aprendizaje profundo híbrido.
Aprovechamiento de datos satelitales (Sentinel-5P, MODIS, Landsat-8), variables meteorológicas y observaciones terrestres.
Incorporación de selección dinámica de características y cuantificación de la incertidumbre.

Principales resultados:

MAST-Net demostró un rendimiento superior en comparación con los enfoques convencionales.
Se lograron mejoras en el Error Cuadrático Medio (RMSE) del 23-31% para diversos contaminantes del aire.
Se alcanzaron altos coeficientes de correlación (0.91-0.94) para predecir las concentraciones de PM2.5, PM10, NO₂ y O₃.
Se validó el rendimiento en diversas condiciones geográficas y estacionales.

Conclusiones:

La arquitectura MAST-Net propuesta ofrece una herramienta poderosa para la predicción de la calidad del aire en tiempo real.
El enfoque de aprendizaje profundo híbrido integra eficazmente datos multifuente para mejorar la predicción.
Este marco tiene una gran promesa para mejorar la gestión ambiental urbana y la protección de la salud pública.