长期以来，空气污染一直是全球健康领域的重大难题。传统的依赖地面站点的监测方法成本高昂且地域受限，阻碍了全面覆盖。然而，随着技术的飞速发展，利用监控摄像头的视觉数据进行空气质量评估的潜力日益凸显，这也许可以作为一种经济且高效的替代方案。
最近，一项发表在Environmental Science and Ecotechnology上的研究提出了一种混合深度学习模型，该模型利用监控摄像头图像显著提高了室外空气质量监测的准确性。无论白天还是夜晚，该模型都能精确评估包括PM2.5和PM10浓度以及空气质量指数（AQI）在内的各项空气质量指标。这项研究在发表后得到newswise、sciencenewsnet.in、Mirage News、Phys.org、Newsgram、Eurasia Review、EurekAlert等国际科技新闻媒体的报道。
研究人员创造性地将卷积神经网络（CNN）与长短时记忆网络（LSTM）相结合，构建出一个能够智能捕捉单个图像中的空间细节，以及一系列图像中的时间动态的模型。这个模型特别擅长克服长期以来在夜间准确评估空气质量所面临的挑战，通常在夜间，传统的基于图像的方法会因光线不足而失效。
通过结合这两种强大的深度学习技术，该模型能够提取并分析监控摄像头捕获的复杂视觉信息，从而实现对空气质量的精确监测。这一突破性方法不仅提高了监测的准确性，还为环保部门和公众提供了更加全面和实时的空气质量数据。
此外，该模型还具有广泛的应用前景。它可以部署在城市的各个角落，利用现有的监控摄像头网络进行空气质量监测，无需额外安装专门的监测设备。这将大大降低监测成本，并提高监测的覆盖范围和效率。
总之，这项研究为空气质量监测领域带来了革命性的变革。全天候监测空气质量为保护公众健康和推动可持续发展提供有力支持。随着技术的不断进步和应用范围的扩大，未来的空气质量监测将更加准确、便捷和有效。
作者信息
第一作者 汪晓楚，博士，上海市测绘院博士后，研究方向为视频GIS。
通讯作者 刘学军，博士，教授、博士生导师，南京师范大学地理科学学院，主要从事视频GIS、数字高程模型与数字地形分析、GIS空间分析等研究工作。
论文ID
原文题目 Surveillance-image-based outdoor air quality monitoring
引用信息 Wang, X., Wang, M., Liu, X., Mao, Y., Chen, Y., & Dai, S. (2024). Surveillance-image-based outdoor air quality monitoring. Environmental Science and Ecotechnology 18: 100319.