基于整合监测图像的PM2.5和PM10度的时间序列预测
Yong Wu1, Xiaochu Wang2,3, Meizhen Wang3
1School of Geographical Sciences, Fujian Normal University, Fuzhou 350117, China.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
本研究引入了一种双通道深度学习模型,该模型整合了监控图像和数值数据,以准确预测PM2.5和PM10的空气质量. 该模型表现出优于传统方法的性能,证明了其在保护公共健康方面的潜力.
科学领域:
- 环境科学 环境科学
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 准确的空气质量预测对于公共卫生和危害减轻至关重要.
- 现有的方法通常依赖于有限的数据或间接的视觉信息.
- 整合视觉数据为改善预测提供了一个有希望的途径.
研究的目的:
- 开发一种新的双通道深度学习模型,用于精确的空气质量预测.
- 为了利用监控图像以及多源数值数据.
- 克服现有模型在捕捉时空细节方面的局限性.
主要方法:
- 一个双通道深度学习架构,结合VGG16-LSTM和LSTM网络.
- 监控图像序列与大气,气象和时间数据的整合.
- 时间序列预测PM2.5和PM10度.
主要成果:
- 拟议的模型在上海数据集上显著超过了传统的机器学习方法.
- 实现了高精度,R2值为0.9459 (PM2.5) 和0.9045 (PM10).
- 在不同地理环境中表现出适应性和稳健性,在台湾高雄市得到验证.
结论:
- 将监控图像与数值数据相结合,可以提高空气质量预测的准确性.
- 该模型是传统的地面环境监测的有效补充.
- 未来的工作旨在扩展数据集并优化架构以实现可扩展性和效率.
更多相关视频
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
2.1K
10:53Simultaneous Measurement of Turbulence and Particle Kinematics Using Flow Imaging Techniques
Published on: March 12, 2019
7.0K
