通过多模态人工智能与卫星影像预测空气质量

气候变化可被视为地球当前面临的最重要的环境问题，并影响着地球上的所有生物物种。鉴于空气质量监测站通常为地面站，其探测污染物分布的能力常限于广阔区域。而卫星具有大范围研究大气的潜力；欧洲空间局（ESA）哥白尼项目的卫星“Sentinel-5P”是一颗新发射的卫星，能够测量多种污染物信息并提供公开可用的数据输出。本文旨在创建一个多模态机器学习模型，用于在没有监测站的地方预测空气质量指标。该模型的输入将融合地面测量与卫星数据，旨在突出污染物分布并推动社会与工业行为的改变。我们创建了一个新的欧洲污染监测站测量数据集，其特征包括来自ESA哥白尼项目的$\textit{altitude, population, etc.}$。该数据集用于训练一个多模态ML模型——空气质量网络（AQNet），其能够融合这些不同类型的数据源以输出多种污染物的预测。随后将这些预测聚合以创建可用于比较不同地区空气质量的“空气质量指数”。AQNet成功预测了三种污染物NO$_2$、O$_3$和PM$_{10}$，并且发现该网络相较于仅使用卫星影像的模型更有用。还发现补充数据的加入改善了预测。在将所开发的AQNet用于英国和爱尔兰的样本外数据测试时，我们获得了令人满意的估计，尽管平均而言污染指标被高估了约20%。