MapLUR：探索基于地图图像深度学习估计空气污染的新范式
机器学习
2020-11-05 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
土地利用回归（LUR）模型对于评估无测量站区域的空气污染浓度十分重要。尽管存在许多此类模型，它们常使用基于受限的本地可用数据手动构建的特征。因此，它们通常难以复现，且难以适配至开发区域之外的地方。本文倡导LUR模型的一种范式转变：我们提出数据驱动、开放、全局（DOG）范式，其包含仅使用开放且全球可用数据、基于纯数据驱动方法的模型。该范式内的进展将减轻专家为使模型适配可用数据源的本地特性而付出的努力，从而促进空气污染模型在全球尺度上对新区域的泛化能力。为阐明DOG范式用于LUR的可行性，我们引入名为MapLUR的深度学习模型。它基于卷积神经网络架构，仅在全球开放可用的地图数据上训练，无需手动特征工程。我们使用伦敦中部大量建模的 浓度数据集，将我们的模型与线性回归、随机森林和多层感知机 etc 最先进基线进行比较。结果表明，即便这些基线配有手动定制特征，MapLUR仍显著优于它们。此外，我们说明基于DOG范式的模型所固有的自动特征提取能够学习到易于解释且与传统LUR方法中常用特征高度相似的特征。
引用
@article{arxiv.2002.07493,
title = {MapLUR: Exploring a new Paradigm for Estimating Air Pollution using Deep Learning on Map Images},
author = {Michael Steininger and Konstantin Kobs and Albin Zehe and Florian Lautenschlager and Martin Becker and Andreas Hotho},
journal= {arXiv preprint arXiv:2002.07493},
year = {2020}
}
备注
Accepted for publication in ACM TSAS - Special Issue on Deep Learning