通过智能手机捕获的图像来发现本地聚合空气质量指数,利用高效的深卷积神经网络

科学领域:

• 环境健康科学科学 环境健康科学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 智能手机是环境健康研究的无处不在的工具.
• 使用智能手机图像预测特定位置的空气质量指数 (AQI) 仍未得到充分研究.
• 孟加拉国达卡面临着严重的空气污染挑战,需要创新的监测解决方案.

研究的目的:

• 调查使用智能手机图像来估计PM2.5度和AQI的可行性.
• 为此任务开发和评估一个资源高效的深层卷积神经网络 (DCNN).
• 创建第一个公开可用的大气图像和达卡PM2.5测量的数据集.

主要方法:

• 开发一个深度卷积神经网络 (DCNN) 在达卡的1000多张注释的户外图像上进行了培训.
• 利用来自美国领事馆的PM2.5度数据,通过NowCast算法计算,用于图像标签.
• 实施监督学习以开发基于图像的PM2.5度预测器 (PPPC) 模型.

主要成果:

• 与流行的模型相比,PPPC模型以较少的参数证明了资源效率.
• 开发的DCNN模型在PM2.5预测中优于ViT,INN,VGG19,ResNet50和MobileNetV2等既有模型.
• 这项研究引入了一个新的,公开可访问的数据集,用于分析大气图像在达卡.

结论:

• 智能手机图像与DCNN相结合,提供了一种可行且高效的方法来估计特定位置的PM2.5度和AQI.
• 该PPPC模型在可访问的环境健康监测方面呈现出有前途的进步,特别是在高度污染的城市地区.
• 发布的数据集和代码有助于进一步研究人工智能驱动的空气质量评估.