基于结构化深度学习与选择性状态空间建模的低成本视频空气质量估算系统：突破与应用

为解决现有空气质量预测模型的局限性，研究人员开展 “基于结构化深度学习与选择性状态空间建模的低成本视频空气质量估算系统” 研究。提出 AQP - Mamba 模型，其在多污染物预测和 AQI 分类上表现优异，为低成本空气质量监测提供新方案。

　　在当今社会，空气质量与人们的生活息息相关，它不仅深刻影响着公众健康，还对环境可持续发展起着关键作用。然而，现实却令人担忧，随着工业化和城市化的快速推进，空气污染问题愈发严重。就拿巴基斯坦的拉合尔来说，它作为重要城市，正饱受空气污染之苦。工业排放、农业活动、车辆尾气，再加上以化石燃料为主的能源消耗方式，使得拉合尔的空气质量急剧恶化，平均 AQI（空气质量指数，Air Quality Index）常常处于不健康甚至危险的水平，对居民的健康构成了直接威胁。

传统的空气质量监测主要依靠监测站，但这种方式存在很大问题。先进传感器的高昂材料和安装成本，使得在许多关键地区部署监测系统变得不切实际，这在经济薄弱或地域广阔的国家尤为突出。虽然基于图像的方法为空气质量监测带来了新的思路，但现有研究大多集中在单张静态图像分析上，无法有效捕捉空气污染的动态和时间特性。而基于视频的空气质量估算研究又十分有限，特别是在实现准确的多污染物输出方面困难重重。

在这样的背景下，为了找到更高效、低成本且准确的空气质量预测方法，来自国外的研究人员开展了一项重要研究。他们提出了 Air Quality Prediction - Mamba（AQP - Mamba）模型，这是一个基于视频的深度学习模型，融合了结构化的选择性状态空间模型（SSM，Selective State Space Model）、选择性扫描机制以及混合预测器（HP，Hybrid Predictor），旨在实现精准的空气质量估算。该研究成果发表在《Environment International》上。

研究人员在开展这项研究时，用到了几个主要关键的技术方法。首先是构建了拉合尔多场景空气质量视频（LMSAQV，Lahore Multi - Scenario Air Quality video）数据集，包含 13176 个视频，这些视频来自拉合尔六个监测站附近，记录了不同的空气质量状况。然后，对数据进行预处理，包括调整视频分辨率、采样和归一化等操作。模型方面，通过视频标记、添加位置嵌入、利用 AQP - Mamba 编码器块以及 HP 模块来处理数据，实现回归（预测 PM_2.5、PM₁₀和 AQI）和分类（对 AQI 分类）任务 。同时，采用多种评估指标来衡量模型性能。

下面来看具体的研究结果：

• 模型配置和超参数设置：精心调整超参数，如设置模型架构有 24 个块（L = 24），隐藏状态维度为 384（d = 384）等。采用多种数据增强技术，并在多个 NVIDIA A100 GPU 上进行训练，使用 ImageNet 预训练权重初始化模型，以此确保模型性能。
• 性能评估：
  • 训练损失曲线：与其他五个先进模型对比，AQP - Mamba 在训练过程中表现出色，损失值更低且收敛更快，这得益于其独特架构能有效捕捉时空特征。
  • 回归结果：在预测 PM_2.5、PM₁₀和 AQI 时，AQP - Mamba 表现卓越，R²值分别达到 0.91、0.90 和 0.92 ，RMSE、MAE 和 MAPE 等指标也优于其他模型。这是因为它能利用视频的时空信息，动态建模复杂的空气质量模式，精准捕捉污染物特征。
  • 分类结果：AQP - Mamba 在 AQI 分类任务中达到了 94.57% 的准确率，且推理时间仅为 1.98 秒，优于其他模型。其混淆矩阵、ROC 曲线（AUC 为 0.96）等结果都证明了该模型在分类任务中的强大能力。
  
  
• 时空扫描方向的影响：研究发现，双向时空建模在回归和分类任务中表现最佳。它结合了正向和反向扫描的优势，能全面捕捉时空依赖关系，更准确地预测空气质量。
• 静态图像与动态视频的对比：与基于静态图像的模型相比，基于视频的 AQP - Mamba 模型在空气质量估算上更具优势。视频能提供动态、多角度的信息，帮助模型更好地捕捉污染物的动态变化和与环境因素的相互作用。

研究结论和讨论部分表明，AQP - Mamba 模型在空气质量预测方面展现出了巨大的潜力。它不仅在多污染物预测和 AQI 分类任务中取得了优异的成绩，而且计算效率高，能够实现实时监测。这一模型为低成本、可扩展的空气质量监测提供了新的解决方案，尤其适用于空气质量基础设施有限的发展中地区。将其整合到智慧城市框架或移动应用中，能帮助相关部门及时发布污染警报，保护公众健康。不过，该模型也存在一定的局限性，如在不同地区的通用性可能受限，目前仅针对白天视频进行研究等。未来的研究可以通过纳入更多不同地区和季节的数据，以及整合气象数据等方式，进一步提升模型的准确性和适用性。总体而言，这项研究为环境监测领域带来了新的突破，有望推动城市空气质量管理向更可持续的方向发展。