ЗАСТОСУВАННЯ МАШИННОГО НАВЧАННЯ ТА КОМП'ЮТЕРНОГО ЗОРУ ДЛЯ ПРОГНОЗУВАННЯ ПОКАЗНИКІВ ЗАБРУДНЕННЯ ПОВІТРЯ ЯК ФАКТОРУ ДОБРОБУТУ СУСПІЛЬСТВА
DOI:
https://doi.org/10.32782/ecovis/2025-1-11Ключові слова:
машинне навчання, машинний зір, забруднення повітря, прогнозування, добробут суспільства, транспортний моніторингАнотація
Розроблено методику інтеграції технологій машинного зору з ансамблевими методами машинного навчання для прогнозування показників забруднення атмосферного повітря на основі автоматизованого аналізу транспортних потоків урбанізованих територій. Запропонована система використовує модель YOLO11s для розпізнавання та класифікації транспортних засобів різних категорій та алгоритм ExtraTrees для визначення концентрацій дрібнодисперсних частинок PM2.5 і PM10 у повітрі. Емпірична валідація на більш ніж 50 тис. спостереженнях продемонструвала високу точність і стабільність прогнозування та його придатність для автоматизованих систем екологічного моніторингу з метою покращення екологічної ситуації та підвищення добробуту суспільства. Підхід забезпечує переваги порівняно з традиційними методами екологічного моніторингу, включаючи масштабованість та незалежність від додаткової сенсорної інфраструктури.
Посилання
Health Effects Institute. State of Global Air 2024 : Special Report. Boston, MA : Health Effects Institute, 2024. URL: https://www.stateofglobalair.org/sites/default/files/documents/2024-06/soga-2024-report_0.pdf (дата звернення: 15.03.2025).
WHO. Billions of people still breathe unhealthy air: new WHO data. 2022. URL: https://www.who.int/news/item/04-04-2022-billions-of-people-still-breathe-unhealthy-air-new-who-data (дата звернення: 15.03.2025).
European Environment Agency. Sustainability of Europe's mobility systems : Web report no. 01/2024. 2024. URL: https://www.eea.europa.eu/en/analysis/publications/sustainability-of-europes-mobility-systems/climate (дата звернення: 15.03.2025).
Kumar P., Morawska L., Martani C., Biskos G., Neophytou M., Di Sabatino S., Bell M., Norford L., Britter R. The rise of low-cost sensing for managing air pollution in cities. Environmental International. 2015. Vol. 75. P. 199-205. DOI: https://doi.org/10.1016/j.envint.2014.11.019
van Donkelaar A., Martin R. V., Brauer M., Hsu N. C., Kahn R. A., Levy R. C., Lyapustin A., Sayer A. M., Winker D. M. Global Estimates of Fine Particulate Matter using a Combined Geophysical-Statistical Method with Information from Satellites, Models, and Monitors. Environmental Science & Technology. 2016. Vol. 50(7). P. 3762-3772. DOI: https://doi.org/10.1021/acs.est.5b05833
Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA, 2016. P. 779-788. DOI: https://doi.org/10.1109/CVPR.2016.91
Geurts P., Ernst D., Wehenkel L. Extremely randomized trees. Machine Learning. 2006. Vol. 63(1). P. 3-42. DOI: https://doi.org/10.1007/s10994-006-6226-1
Zheng Y., Liu F., Hsieh H. P. U-Air: When urban air quality inference meets big data. Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2013. P. 1436-1444. DOI: https://doi.org/10.1145/2487575.2488188
Karagulian F., Belis C. A., Dora C., Prüss-Ustün A. M., Bonjour S., Adair-Rohani H., Amann M. Contributions to cities' ambient particulate matter (PM): A systematic review of local source contributions at global level. Atmospheric Environment. 2015. Vol. 120. P. 475-483. DOI: https://doi.org/10.1016/j.atmosenv.2015.08.087
NYC Open Data. 2024. URL: https://opendata.cityofnewyork.us/data/ (дата звернення: 15.03.2025).
OpenAQ. 2024. URL: https://openaq.org/ (дата звернення: 15.03.2025).
Health Effects Institute. (2024) State of Global Air 2024. Special Report. Boston, MA: Health Effects Institute. Available at: https://www.stateofglobalair.org/sites/default/files/documents/2024-06/soga-2024-report_0.pdf (accessed March 15, 2025)
WHO. (2022) Billions of people still breathe unhealthy air: new WHO data. Available at: https://www.who.int/news/item/04-04-2022-billions-of-people-still-breathe-unhealthy-air-new-who-data (accessed March 15, 2025)
European Environment Agency. (2024) Sustainability of Europe's mobility systems. Web report no. 01/2024. Available at: https://www.eea.europa.eu/en/analysis/publications/sustainability-of-europes-mobility-systems/climate (accessed March 15, 2025)
Kumar, P., Morawska, L., Martani, C., Biskos, G., Neophytou, M., Di Sabatino, S., Bell, M., Norford, L., & Britter, R. (2015) The rise of low-cost sensing for managing air pollution in cities. Environmental International, vol. 75, pp. 199-205. Available at: https://doi.org/10.1016/j.envint.2014.11.019 (accessed March 15, 2025)
van Donkelaar, A., Martin, R. V., Brauer, M., Hsu, N. C., Kahn, R. A., Levy, R. C., Lyapustin, A., Sayer, A. M., & Winker, D. M. (2016) Global Estimates of Fine Particulate Matter using a Combined Geophysical-Statistical Method with Information from Satellites, Models, and Monitors. Environmental Science & Technology, vol. 50(7), pp. 3762-3772. Available at: https://doi.org/10.1021/acs.est.5b05833 (accessed March 15, 2025)
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016) You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, pp. 779-788. Available at: https://doi.org/10.1109/CVPR.2016.91
Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3-42. Available at: https://doi.org/10.1007/s10994-006-6226-1 (accessed March 15, 2025)
Zheng, Y., Liu, F., & Hsieh, H. P. (2013) U-Air: When urban air quality inference meets big data. Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 1436-1444. Available at: https://doi.org/10.1145/2487575.2488188 (accessed March 15, 2025)
Karagulian, F., Belis, C. A., Dora, C., Prüss-Ustün, A. M., Bonjour, S., Adair-Rohani, H., & Amann, M. (2015) Contributions to cities' ambient particulate matter (PM): A systematic review of local source contributions at global level. Atmospheric Environment, vol. 120, pp. 475-483. Available at: https://doi.org/10.1016/j.atmosenv.2015.08.087 (accessed March 15, 2025)
NYC Open Data. (2024) Available at: https://opendata.cityofnewyork.us/data/ (accessed March 15, 2025)
OpenAQ. (2024) Available at: https://openaq.org/ (accessed March 15, 2025)
