基于多源异质数据的半监督城市雾污染预测
1School of Information Engineering, Nanchang Institute of Technology, Nanchang, China.
Heliyon
|July 18, 2024
概括
中国南市的空气污染监测通过使用多源数据和半监督学习来加强. 三级培训 (Tri-T) 在预测颗粒物质2.5 (PM2.5) 水平方面取得了85.62%的准确性,超过了联合培训 (Co-T).
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气科学 大气科学
背景情况:
- 城市雾污染,特别是颗粒物2.5 (PM2.5) 构成一个重大的环境挑战.
- 由于成本高昂,有限的空气监测站阻碍了全面的污染跟踪.
- 整合不同的数据源对于准确的空气质量预测至关重要.
研究的目的:
- 在中国南市开发一种用于准确空气质量预测的创新方法.
- 整合多来源的异质数据,包括出租车轨道,人类流动性,道路网络,POI和气象数据,用于PM2.5预测.
- 评估半监督学习技术的有效性,特别是共同培训 (Co-T) 和三重培训 (Tri-T),用于城市雾污染的估计.
主要方法:
- 使用了半监督的联合培训策略,复制了U-Air系统算法.
- 应用协作培训 (Co-T) 和三培训 (Tri-T) 算法对多样化,异质化的城市数据.
- 根据时空数据集成,比较了Co-T和Tri-T在预测PM2.5水平方面的表现.
主要成果:
- 通过整合多个来源的异质数据,实现了雾污染水平的准确估计.
- 三培训 (Tri-T) 算法表现出高于联合培训 (Co-T) 的性能.
- Tri-T的测试准确率高达85.62%,表明其有效性和速度.
结论:
- 半监督学习,特别是Tri-T,对于详细的城市雾污染预测非常有效.
- 多源异质数据具有改善空气质量预测的巨大潜力.
- 鼓励在中国探索机器学习用于污染物控制和环境管理.
更多相关视频
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
3.8K
09:33Visualizing Field Data Collection Procedures of Exposure and Biomarker Assessments for the Household Air Pollution Intervention Network Trial in India
Published on: December 23, 2022
2.2K
