使用多源遥感数据的空气质量预测与混合深度学习框架的集成
S Kalaiselvi1,2, V Anitha1, V Manimaran2
1Department of Computer Science and Engineering, National Engineering College, Kovilpatti, Tamil Nadu, India.
Scientific reports
|December 15, 2025
概括
准确的空气质量预测对于城市健康至关重要. 一个新的混合深度学习模型,MAST-Net,使用卫星数据和人工智能来预测空气污染物,如PM2.5,提高准确度高达31%.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 空气污染的增加对公众健康和城市环境构成重大风险.
- 有效的空气质量监测和预测对于环境管理至关重要.
- 现有的方法经常与空气污染的复杂性和多面性质作斗争.
研究的目的:
- 为准确的空气质量预测开发一种新的混合深度学习框架.
- 整合多源遥感数据与气象和地面观测.
- 提高空气质量预测模型的可靠性和性能.
主要方法:
- 介绍基于多模态注意力的时空网络 (MAST-Net).
- 使用长短期记忆 (LSTM) 和卷积神经网络 (CNN) 进行混合深度学习.
- 利用卫星数据 (Sentinel-5P,MODIS,Landsat-8),气象变量和地面观测.
- 结合动态特征选择和不确定性量化.
主要成果:
- 与传统方法相比,MAST-Net表现出优越的性能.
- 对各种空气污染物实现了23-31%的根平均平方误差 (RMSE) 改进.
- 达到高相关系数 (0.91-0.94) 预测PM2.5,PM10,NO2和O3度.
- 在不同的地理和季节条件下验证了性能.
结论:
- 拟议的MAST-Net架构为实时空气质量预测提供了一个强大的工具.
- 混合深度学习方法有效地整合了多源数据,以进行增强的预测.
- 这一框架对改善城市环境管理和公共卫生保护具有重大前景.
