基于监控图像的室外空气质量监测
Xiaochu Wang1,2,3, Meizhen Wang1,2,3, Xuejun Liu1,2,3
1School of Geography, Nanjing Normal University, Nanjing, 210023, China.
Environmental science and ecotechnology
|October 16, 2023
概括
这项研究引入了一种混合深度学习模型,用于使用监控图像进行准确的空气质量监测,即使是在夜间. 该模型有效估计PM2.5,PM10和AQI,改进了传统方法.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 空气污染对健康构成重大风险,推动了对先进监测解决方案的需求.
- 利用摄像头图像来估计空气质量是一个越来越感兴趣的领域.
- 使用图像进行夜间空气质量监测,由于可见度有限,因此存在挑战.
研究的目的:
- 开发一种混合深度学习模型,从监控图像中准确估计室外空气质量.
- 用视觉数据解决夜间空气质量检测的挑战.
- 提供PM2.5,PM10度和空气质量指数 (AQI) 的实时估计.
主要方法:
- 集成一个卷积神经网络 (CNN) 用于空间特征提取和一个长短期记忆 (LSTM) 网络用于时间分析.
- 利用空气质量变化的时间连续性来提高估计准确度.
- 开发和使用自建数据集用于模型培训和验证.
主要成果:
- 混合CNN-LSTM模型在估计PM2.5 (R2=0.94,RMSE=5.11 μg m−3),PM10 (R2=0.92,RMSE=7.30 μg m−3) 和AQI (R2=0.94,RMSE=5.38) 方面取得了很高的准确性.
- 与仅依赖空间特征提取 (独立的CNN) 的模型相比,该模型表现出更高的性能.
- 拟议的模型显著改善了夜间空气质量预测,同时保持了高的白天精度.
结论:
- 混合深度学习模型为使用监控图像进行持续空气质量监测提供了强大而准确的解决方案.
- 这种方法克服了传统方法的局限性,并提高了夜间监控的可见性.
- 该模型在各种数据集中的验证性能证实了其适用于环境监测的适用性和优越性.
