山东师范大学 Environ. Int.：结合谷歌交通地图与深度学习模型预测复杂城市环境中的街道级交通相关空气污染物

文章预览

期刊 ：Environmental International 原题 ：Combining Google traffic map with deep learning model to predict street-level traffic-related air pollutants in a complex urban environment 译题 ：结合谷歌交通地图与深度学习模型预测复杂城市环境中的街道级交通相关空气污染物 DOI ：10.1016/j.envint.2024.108992 图片摘要 成果简介 摘要 本研究旨在通过深度学习模型估算香港街道级交通相关空气污染物（TRAP），特别是氮氧化物（NO 和 NO₂）的浓度。我们利用公交车上的移动空气质量传感器和众包的谷歌实时交通状态数据作为实时交通排放的代理。研究结果表明，深度学习模型在 NO 和 NO₂ 的预测中分别达到了 0.72 和 0.69 的 R² 值，显著优于传统的机器学习模型。交通状态作为关键预测因子的引入，使模型性能提升了 9%至 17%。该研究为城市规划提供了重要的见解，强调了交通相关特征对 TRAP 的显著贡 ………………………………