卫星影像上的深度迁移学习改善发展中国家的空气质量估计
计算机视觉与模式识别
2022-02-21 v1
摘要
城市空气污染在低收入和中等收入国家（LMICs）是一项公共卫生挑战。然而，LMICs 缺乏充足的空气质量（AQ）监测基础设施。一个长期存在的难题是我们无法准确估计 LMIC 城市的 AQ，这阻碍了应急准备与风险缓解。基于深度学习的模型可将卫星影像映射到 AQ，这些模型可针对具备充足地面数据的高收入国家（HICs）构建。在此我们证明，一种可扩展的方法，即适配卫星影像上的深度迁移学习用于 AQ，能够基于在 HIC 城市学到的时空模式，在 LMIC 城市中提取有意义的估计与洞察。该方法在非洲加纳的阿克拉得到演示，其 AQ 模式习自两个美国城市，具体为洛杉矶和纽约。
引用
@article{arxiv.2202.08890,
title = {Deep Transfer Learning on Satellite Imagery Improves Air Quality Estimates in Developing Nations},
author = {Nishant Yadav and Meytar Sorek-Hamer and Michael Von Pohle and Ata Akbari Asanjan and Adwait Sahasrabhojanee and Esra Suel and Raphael Arku and Violet Lingenfelter and Michael Brauer and Majid Ezzati and Nikunj Oza and Auroop R. Ganguly},
journal= {arXiv preprint arXiv:2202.08890},
year = {2022}
}
备注
Under review