Luftföroreningar är en kritisk global hälsofråga som kräver innovativa övervakningslösningar. Traditionella metoder, beroende av markstationer, är dyra och geografiskt begränsade, vilket hindrar heltäckande täckning. De senaste framstegen inom tekniken har uppmärksammat potentialen i att använda visuella data från övervakningskameror som ett kostnadseffektivt alternativ för luftkvalitetsbedömning.
En ny studie publicerad i Environmental Science and Ecotechnology utvecklar en hybridmodell för djupinlärning som avsevärt förbättrar övervakningen av utomhusluftkvaliteten med hjälp av övervakningskamerabilder. Detta tillvägagångssätt förbättrar uppskattningar av luftkvaliteten, inklusive PM2.5 och PM10 koncentrationer och luftkvalitetsindex (AQI), oavsett tid på dygnet.
Forskargruppen kombinerade Convolutional Neural Networks (CNN) med Long Short-Term Memory (LSTM) nätverk, vilket skapade en modell som intelligent fångar både de rumsliga detaljerna som finns i enskilda bilder och den tidsmässiga dynamiken över en sekvens av bilder. Detta innovativa tillvägagångssätt är särskilt skickligt på att övervinna den långvariga utmaningen att noggrant uppskatta luftkvaliteten under natten, en period då traditionella bildbaserade metoder vanligtvis vacklar på grund av svaga ljusförhållanden.
Genom att analysera de visuella ledtrådarna i övervakningsfilmer, såsom dis och synlighet, kan modellen förutsäga koncentrationer av partiklar (PM2,5 och PM10 ) och AQI effektivt, både dag och natt.
Dr. Xuejun Liu, huvudforskare och motsvarande författare, säger:"Vår modells förmåga att noggrant uppskatta luftkvaliteten från bilder, oavsett dag eller natt, markerar ett betydande steg framåt när det gäller att använda teknik för miljöövervakning. Det öppnar nya vägar för omfattande luftkvalitetsbedömning i regioner som saknar infrastruktur."
Denna forskning innebär ett betydande steg framåt inom miljöövervakning, och visar på potentialen att förbättra luftkvalitetsbedömningarna avsevärt. Det öppnar dörren till mer dynamiska, kostnadseffektiva övervakningslösningar som avsevärt kan förbättra vår förståelse och hantering av luftföroreningar på global skala.
Mer information: Xiaochu Wang et al, Övervakningsbildbaserad övervakning av utomhusluftkvalitet, Environmental Science and Ecotechnology (2023). DOI:10.1016/j.ese.2023.100319
Tillhandahålls av TranSpread
