En ny tilgang til 24/7 luftkvalitetsovervågning ved hjælp af kameraer

Luftforurening er et kritisk globalt sundhedsproblem, der kræver innovative overvågningsløsninger. Traditionelle metoder, der er afhængige af jordstationer, er dyre og geografisk begrænsede, hvilket hindrer omfattende dækning. Nylige fremskridt inden for teknologi har sat fokus på potentialet ved at bruge visuelle data fra overvågningskameraer som et omkostningseffektivt alternativ til luftkvalitetsvurdering.

En ny undersøgelse offentliggjort i Environmental Science and Ecotechnology fornyer en hybrid deep learning-model, der markant forbedrer overvågning af udendørs luftkvalitet ved hjælp af overvågningskamerabilleder. Denne tilgang forbedrer luftkvalitetsestimaterne, herunder PM_2.5 og PM₁₀ koncentrationer og luftkvalitetsindekset (AQI), uanset tidspunktet på dagen.

Forskerholdet kombinerede Convolutional Neural Networks (CNN) med Long Short-Term Memory (LSTM) netværk, hvilket skabte en model, der intelligent fanger både de rumlige detaljer, der er til stede i individuelle billeder, og den tidsmæssige dynamik på tværs af en sekvens af billeder. Denne innovative tilgang er særlig dygtig til at overvinde den langvarige udfordring med nøjagtigt at estimere luftkvaliteten om natten, en periode hvor traditionelle billedbaserede metoder typisk vakler på grund af dårlige lysforhold.

Ved at analysere de visuelle signaler i overvågningsoptagelser, såsom dis og synlighed, kan modellen forudsige koncentrationer af partikler (PM_2.5 og PM₁₀ ) og AQI effektivt, både dag og nat.

Dr. Xuejun Liu, ledende forsker og korresponderende forfatter, siger:"Vores models evne til nøjagtigt at estimere luftkvaliteten fra billeder, uanset dag eller nat, markerer et væsentligt skridt fremad i brugen af ​​teknologi til miljøovervågning. Det åbner op for nye muligheder for omfattende luftkvalitetsvurdering i regioner, der mangler infrastruktur."

Denne forskning betegner et væsentligt spring fremad inden for miljøovervågning, der viser potentialet til at forbedre luftkvalitetsvurderinger betydeligt. Det åbner døren til mere dynamiske, omkostningseffektive overvågningsløsninger, der i høj grad kan forbedre vores forståelse og håndtering af luftforurening på globalt plan.

Flere oplysninger: Xiaochu Wang et al., Overvågningsbillede-baseret udendørs luftkvalitetsovervågning, Environmental Science and Ecotechnology (2023). DOI:10.1016/j.ese.2023.100319

Leveret af TranSpread