利用卫星数据与图神经网络的迁移学习提升局部空气质量预测
信号处理
2025-05-12 v1 机器学习
摘要
空气污染是一个重大的全球健康风险，每年导致数百万人过早死亡。二氧化氮（NO2）是一种有害污染物，对监测网络通常稀疏的城市地区影响尤为严重。我们提出了一种利用卫星和气象数据进行迁移学习来预测未监测位置NO2浓度的新方法。利用GraphSAGE框架，我们的方法结合自回归和迁移学习来增强数据稀缺地区（如布里斯托尔）的预测准确性。该模型以英国伦敦的数据进行预训练，与基线模型相比实现了8.6%的归一化均方根误差（NRMSE）降低和32.6%的梯度RMSE降低。这项工作展示了虚拟传感器在成本效益的空气质量监测方面的潜力，为气候和健康干预提供了可操作的见解。
引用
@article{arxiv.2505.05479,
title = {Improving Local Air Quality Predictions Using Transfer Learning on Satellite Data and Graph Neural Networks},
author = {Finn Gueterbock and Raul Santos-Rodriguez and Jeffrey N. Clark},
journal= {arXiv preprint arXiv:2505.05479},
year = {2025}
}