AQFusionNet：基于图像和传感器数据的空气质量指数多模态深度学习预测
计算机视觉与模式识别
2025-09-03 v1 人工智能
摘要
由于稀疏的传感器部署和有限的基础设施，资源受限地区的空气污染监测仍面临着巨大挑战。本文引入了 AQFusionNet，一个用于鲁棒空气质量指数（AQI）预测的多模态深度学习框架。该框架将地面大气图像与污染物浓度数据相结合，采用轻量级 CNN 主干网络（MobileNetV2、ResNet18、EfficientNet-B0）。通过在语义对齐的嵌入空间中整合视觉和传感器特征，实现了准确且高效的预测。在来自印度和尼泊尔的超过 8000 个样本上的实验表明，AQFusionNet 在单模态基线方法上始终表现出色，最高可达 92.02% 的分类准确率，RMSE 为 7.70（采用 EfficientNet-B0 主干网络）。该模型在保持低计算开销的同时，比单一模态方法实现了 18.5% 的改进，适用于部署在边缘设备上。AQFusionNet 提供了一种可扩展且实用的 AQI 监测解决方案，能够在传感器部分可用的情况下提供稳健的预测能力。
引用
@article{arxiv.2509.00353,
title = {AQFusionNet: Multimodal Deep Learning for Air Quality Index Prediction with Imagery and Sensor Data},
author = {Koushik Ahmed Kushal and Abdullah Al Mamun},
journal= {arXiv preprint arXiv:2509.00353},
year = {2025}
}
备注
8 pages, 5 figures, 2 tables