使用深度转移学习和卫星图像来估计数据贫困地区的城市空气质量

科学领域:

• 环境科学 环境科学
• 公共卫生 公共卫生
• 数据科学数据科学数据科学

背景情况:

• 城市空气污染 (AQ) 是一个重要的公共卫生问题,特别是在低收入和中等收入国家 (LMICs).
• 低,中等产业国家往往缺乏必要的基础设施来全面监测空气质量.
• 在LMICs的快速城市化加剧了空气质量差的社会经济负担.

研究的目的:

• 开发一种全球可扩展的深度学习 (DL) 方法,用于LMIC城市的空气质量估计.
• 减少对广泛的地面空气质量监测基础设施的依赖.
• 展示一种方法,将空气质量模型从数据丰富的地区调整为数据贫困的地区.

主要方法:

• 通过使用来自高收入国家 (HIC) 的卫星图像和空气质量数据,训练了一种两步深度学习模型.
• 转移学习被用来调整训练的模型,用于LMIC城市的空气质量估计.
• 该模型在加纳阿克拉进行了测试,采用了洛杉矶和纽约的模式.

主要成果:

• 深度学习模型成功估计了LMIC城市的空气质量,而不需要针对特定目标的地面数据.
• 这种方法解释了目标LMIC城市空气质量分布的多达54%的变化.
• 转移学习方法证明了将在HIC培训的模型应用于LMICs的可行性.

结论:

• 一个可扩展的深度学习框架可以有效地估计数据贫困的LMIC城市的空气质量.
• 卫星图像与转移学习相结合,为资源有限的环境中对空气质量监测提供了可行的解决方案.
• 这种方法可以帮助解决城市空气污染在LMICs带来的公共卫生挑战.