Luchtverontreiniging is een kritiek mondiaal gezondheidsprobleem dat innovatieve monitoringoplossingen vereist. Traditionele methoden, die afhankelijk zijn van grondstations, zijn duur en geografisch beperkt, wat een uitgebreide dekking belemmert. Recente technologische vooruitgang heeft het potentieel van het gebruik van visuele gegevens van bewakingscamera's als een kosteneffectief alternatief voor de beoordeling van de luchtkwaliteit onder de aandacht gebracht.

Een nieuwe studie gepubliceerd in Environmental Science and Ecotechnology innoveert een hybride deep learning-model dat de monitoring van de buitenluchtkwaliteit aanzienlijk verbetert met behulp van bewakingscamerabeelden. Deze aanpak verbetert de schattingen van de luchtkwaliteit, inclusief PM_2.5 en PM₁₀ concentraties en de Air Quality Index (AQI), ongeacht het tijdstip van de dag.

Het onderzoeksteam combineerde Convolutional Neural Networks (CNN) met Long Short-Term Memory (LSTM)-netwerken, waardoor een model ontstond dat op intelligente wijze zowel de ruimtelijke details in individuele beelden als de temporele dynamiek in een reeks beelden vastlegt. Deze innovatieve aanpak is bijzonder bedreven in het overwinnen van de al lang bestaande uitdaging van het nauwkeurig schatten van de luchtkwaliteit tijdens de nacht, een periode waarin traditionele, op beelden gebaseerde methoden doorgaans haperen vanwege omstandigheden met weinig licht.

Door de visuele signalen in bewakingsbeelden, zoals waas en zichtbaarheid, te analyseren, kan het model concentraties van fijnstof voorspellen (PM_2.5 en PM₁₀ ) en de AQI effectief, zowel overdag als 's nachts.

Dr. Xuejun Liu, hoofdonderzoeker en corresponderend auteur, zegt:"Het vermogen van ons model om de luchtkwaliteit nauwkeurig te schatten op basis van beelden, ongeacht dag of nacht, markeert een belangrijke stap voorwaarts in het gebruik van technologie voor milieumonitoring. Het opent nieuwe wegen voor uitgebreide beoordeling van de luchtkwaliteit in regio's zonder infrastructuur."

Dit onderzoek betekent een substantiële sprong voorwaarts op het gebied van milieumonitoring, waarbij het potentieel wordt aangetoond om de beoordeling van de luchtkwaliteit aanzienlijk te verbeteren. Het opent de deur naar meer dynamische, kosteneffectieve monitoringoplossingen die ons begrip en beheer van luchtvervuiling op wereldschaal enorm kunnen verbeteren.

Meer informatie: Xiaochu Wang et al., Op surveillancebeelden gebaseerde monitoring van de buitenluchtkwaliteit, Milieuwetenschappen en ecotechnologie (2023). DOI:10.1016/j.ese.2023.100319

Aangeboden door TransSpread