低成本的基于视频的空气质量估计系统使用结构化深度学习与选择性状态空间建模

科学领域:

• 环境科学与工程环境科学与工程
• 计算机科学 (人工智能,机器学习)

背景情况:

• 准确的空气质量预测对于公共卫生和环境可持续性至关重要.
• 现有的模型通常依赖于静态图像,忽视了空气污染的动态,时间性质.
• 基于视频的空气质量估计研究是有限的,特别是用于多污染物预测.

研究的目的:

• 提出空气质量预测-Mamba (AQP-Mamba),这是一个基于视频的深度学习模型,用于估计空气质量.
• 使用视频数据准确预测多重污染物 (PM2.5,PM10) 和空气质量指数 (AQI).
• 通过结合视频的时空特征来解决静态图像分析的局限性.

主要方法:

• 开发了AQP-Mamba,将结构化的选择性状态空间模型 (SSM) 与混合预测器集成在一起.
• 采用时空空间SSM,具有选择性扫描和双向处理,用于动态特征提取.
• 利用LMSAQV数据集,包括来自巴基斯坦拉合尔的13,176个户外视频,用于培训和验证.

主要成果:

• AQP-Mamba获得了高回归性能:R2为0.91 (PM2.5),0.90 (PM10) 和0.92 (AQI).
• 获得了优秀的分类指标:94.57%的准确性,93.86%的精度,94.20%的回忆力,93.44%的F1分数为AQI.
• 该模型显著超过了最先进的视频分析模型 (VideoSwin-T,VideoMAE,I3D,VTHCL,TimeSformer).

结论:

• AQP-Mamba提供了一种高效,可扩展和具有成本效益的解决方案,用于实时的多污染物空气质量估计.
• 基于视频的方法捕捉了空气污染的动态变化,克服了静态图像分析的局限性.
• 这种方法有可能在全球范围内补充昂贵仪器的数据,改善空气质量监测.