推进空气污染暴露模型的开放词汇对象检测和街景图像的语义细分
Zhendong Yuan1, Jules Kerckhoffs1, Pi-I Debby Lin2
1Institute for Risk Assessment Sciences, Utrecht University, Utrecht 3584 CM, Netherlands.
Environmental science & technology
|September 27, 2025
概括
街景图像通过向土地利用回归模型 (LUR) 添加视觉数据来增强城市空气污染映射. 这提高了在超局部水平上预测二氧化 (NO2),黑碳 (BC) 和超细颗粒 (UFP) 的准确性.
科学领域:
- 环境科学 环境科学
- 城市规划 城市规划
- 地理空间分析的研究.
背景情况:
- 移动监测和土地利用回归 (LUR) 模型对于城市空气污染映射是有效的.
- 传统的LUR模型往往缺乏详细的建筑环境和排放源数据.
- 街景图像为环境建模提供了丰富的视觉信息来源.
研究的目的:
- 开发一个框架,将街景图像特征集成到LUR模型中,以加强空气污染映射.
- 评估视觉特征对二氧化 (NO2),黑碳 (BC) 和超细粒子 (UFP) 预测准确性的影响.
- 从街景数据中识别新的对象级和细分级预测器.
主要方法:
- 开发了一个框架,将街景图像中的对象级和细分级视觉特征结合起来.
- 将这些视觉特征集成到逐步回归和基于随机森林的LUR模型中.
- 利用了570万个移动空气污染测量和037万张阿姆斯特丹街景图像.
主要成果:
- 整合街景图像改善了LUR模型的性能,将R2增加了0.01-0.05,并将MAE减少了0.7-10.3%.
- 视觉特征在不同的年份和季节中表现出稳定性.
- 确定了以前未被识别的预测因素,如烟,交通灯和商店,贡献了8-18%的特征重要性.
结论:
- 街景图像显著提高了超局部空气污染映射的准确性.
- 视觉数据为建筑环境和排放源提供了有价值的见解.
- 这种方法为改善空气质量评估和暴露分析提供了一个有希望的方法.


