在各种环境中高精度的微观颗粒物质预测,使用长期短期记忆神经网络和街景图像
Xiansheng Liu1,2, Xun Zhang1,3, Rui Wang1
1Beijing Key Laboratory of Big Data Technology for Food Safety, School of Computer Science and Engineering, Beijing Technology and Business University, Beijing 100048, China.
Environmental science & technology
|February 14, 2024
概括
一个新的LSTM-HSV模型使用街道图像颜色特征估计空气质量,优于其他模型. 这种新的方法可以准确地预测各种环境和季节的颗粒物水平.
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:
- 颗粒物 (PM) 空气污染对公众健康构成重大风险.
- 对城市规划和公共卫生倡议来说,监测颗粒物度的准确和可访问的方法至关重要.
- 传统的监测方法可能资源密集,空间有限.
研究的目的:
- 开发和评估一种新的长期短期记忆 (LSTM) 神经网络模型,以估计基于颗粒物 (PM) 的空气质量.
- 从街道图像中利用颜色特征 (HSV:色调,和,值) 来估计空气质量.
- 评估模型在不同环境和季节的性能,可解释性和概括性.
主要方法:
- 从街景图像中提取HSV颜色特征.
- 开发一种新的LSTM神经网络模型 (LSTM-HSV).
- 使用了八个环境PM参数的度数据 (PM1.0,PM2.5,PM10,颗粒数度,肺沉积表面积,紫外线PM,黑碳和棕色碳等同质量度).
- 与其他深度学习模型 (重复神经网络,门式重复单元) 和基于统计的模型进行比较.
- 对城市,郊区,村庄和港口环境以及不同季节的模型性能,可解释性和概括性的评估.
主要成果:
- 与其他深度学习和基于统计的模型相比,LSTM-HSV模型表现出卓越的性能.
- 该模型实现了八个关键PM指标的可解释率超过80%.
- 在不同季节和不同的环境 (城市,郊区,村庄,港口) 中成功应用证实了令人满意的概括能力.
- 该模型准确地估计了各种颗粒物物质参数.
结论:
- 拟议的LSTM-HSV模型是估计空气污染,特别是颗粒物污染的有希望和多功能工具.
- 该模型能够跨时间和空间维度进行概括,这使得它对现实世界的应用非常有价值.
- 这种方法为空气质量评估提供了一种基于图像的新方法,对城市规划和公共卫生产生重大影响.
