超越这里和现在:通过深度学习从街景图像评估跨空间和时间的污染估计

科学领域:

• 环境科学 环境科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 深度学习的进步使得可以从图像中推断环境污染.
• 基于图像的污染模型的空间和时间概括性至关重要,但研究不足,特别是在低收入国家.
• 低收入地区的污染监测基础设施有限,需要先进的建模技术.

研究的目的:

• 通过基于图像的深度学习模型,估计加纳阿克拉的空间和时间分辨率细颗粒物 (PM2.5) 和噪声水平.
• 评估端到端卷积神经网络 (CNN) 和对象检测方法用于污染建模.
• 评估空间采样策略对模型通用性的影响.

主要方法:

• 在端到端和物体检测模型中利用CNN.
• 在阿克拉的145个地点在15个月内收集的160多万张图像上训练模型,与空气和噪音测量配对.
• 研究了训练数据位置多样性与数量对模型性能的影响.

主要成果:

• 端到端的CNN和基于对象的模型都超过了PM2.5和单个位置的噪音预测的基线模型.
• 当应用到未见的地点时,模型性能下降,但随着培训地点多样性的增加,模型性能得到了改善.
• 端到端的模型确定了PM2.5和物体 (车辆,人) 的大气可见性,用于噪声预测.

结论:

• 基于图像的建模显示了空间时空空气污染和噪声估计的潜力,特别是在数据稀缺的地区.
• 跨不同位置的模型通用性是一个重大挑战.
• 使用图像进行强大的环境建模需要与传统传感器网络集成.