用人工智能驱动的空气污染建模方法:全面的系统审查
Lorenzo Garbagna1, Lakshmi Babu Saheer1, Mahdi Maktab Dar Oghaz1
1Anglia Ruskin University, East Road, Cambridge, CB1 1PT, Cambridgeshire, United Kingdom.
Environmental pollution (Barking, Essex : 1987)
|March 9, 2025
概括
本综述将机器学习和深度学习用于空气质量预测进行比较. 深度学习模型对预测污染物水平充满希望,尤其是在使用天气和交通等外部数据时.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 空气质量是一个全球性的问题,特别是在城市地区,导致环境退化和健康问题.
- 准确预测未来的空气污染度水平对于缓解努力至关重要.
研究的目的:
- 系统地审查机器学习 (ML) 和深度学习 (DL) 技术用于空气质量预测.
- 为了比较不同的方法,包括时间和时空模型,并分析外部特征对预测准确性的影响.
主要方法:
- 对空气污染物预测的ML和DL模型进行了广泛的系统文献审查.
- 通过类似的方法分组研究进行比较分析.
- 分析了外部数据 (气象,交通,土地使用) 对模型性能的影响.
主要成果:
- 深度学习模型在空气质量预测方面表现出卓越的表现,因为它们能够表示复杂的特征和时空相关性.
- 包括外部特征显著提高空气质量预测模型的准确性.
- 无论是ML还是DL方法都有不同的性能和局限性.
结论:
- 深度学习模型通常更适合用于空气质量预测任务.
- 未来的研究应该专注于优化模型利用,并纳入各种外部特征以改善预测.
- 本综述提供了对当前风景和空气质量预测研究未来方向的见解.
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
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
1.4K
