[论文解读] Realtime Profiling of Fine-Grained Air Quality Index Distribution using UAV Sensing

Yuzhe Yang, Zijie Zheng+3 more|arXiv (Cornell University)|Nov 8, 2017

Air Quality Monitoring and Forecasting参考文献 18被引用 4

一句话总结

本文提出ARMS，一种基于无人机的移动传感系统，采用融合神经网络的物理信息高斯烟羽模型（GPM-NN），实现对空气质量指数（AQI）的实时、细粒度映射。该系统采用自适应监测算法，在保持高预测精度的同时最小化无人机电池消耗，在二维与三维环境中均显著优于现有模型。

ABSTRACT

Given significant air pollution problems, air quality index (AQI) monitoring has recently received increasing attention. In this paper, we design a mobile AQI monitoring system boarded on unmanned-aerial-vehicles (UAVs), called ARMS, to efficiently build fine-grained AQI maps in realtime. Specifically, we first propose the Gaussian plume model on basis of the neural network (GPM-NN), to physically characterize the particle dispersion in the air. Based on GPM-NN, we propose a battery efficient and adaptive monitoring algorithm to monitor AQI at the selected locations and construct an accurate AQI map with the sensed data. The proposed adaptive monitoring algorithm is evaluated in two typical scenarios, a two-dimensional open space like a roadside park, and a three-dimensional space like a courtyard inside a building. Experimental results demonstrate that our system can provide higher prediction accuracy of AQI with GPM-NN than other existing models, while greatly reducing the power consumption with the adaptive monitoring algorithm.

研究动机与目标

• 解决现有粗粒度、静态或非自适应移动AQI监测系统的局限性。
• 实现在校园或庭院等城市环境中实时、高分辨率的三维AQI映射。
• 通过自适应监测策略优先选择信息丰富的区域，降低无人机电池消耗。
• 通过将物理扩散模型（高斯烟羽）与神经网络（GPM-NN）结合，提升AQI预测精度。
• 在移动传感应用中平衡估计精度与能效之间的权衡。

提出的方法

• 提出GPM-NN，一种混合模型，结合高斯烟羽模型用于颗粒物扩散，以及神经网络以学习复杂的AQI分布模式。
• 使用可微分损失函数联合优化物理参数与神经网络权重，确保物理合理性。
• 设计一种自适应监测算法，基于预测不确定性与空间梯度选择下一组测量点，以最小化冗余采样。
• 提出一种新型指标PDT（预测-距离权衡），用于量化并平衡精度与能效。
• 在二维（如路边公园）与三维（如庭院）环境中应用系统，以验证其鲁棒性。
• 利用无人机采集实时AQI数据，并通过GPM-NN预测动态更新AQI地图。

实验结果

研究问题

• RQ1 物理信息神经网络模型（GPM-NN）是否能在二维与三维空间中优于传统模型，实现对细粒度AQI分布的预测？
• RQ2 基于无人机的移动传感如何实现实时AQI映射且电池消耗最小化？
• RQ3 在基于无人机的AQI监测中，预测精度与能效之间的最优平衡是什么？
• RQ4 自适应采样策略是否能显著减少所需测量次数而不降低地图质量？
• RQ5 将物理扩散模型与深度学习结合，如何提升复杂城市环境中AQI估计的性能？

主要发现

• 在二维与三维场景中，GPM-NN的AQI预测精度均优于现有模型，且由于物理约束的引入，泛化能力得到提升。
• 自适应监测算法通过聚焦于高不确定性与高梯度区域，显著降低了能耗，大幅延长了无人机飞行时间。
• 系统在数分钟内生成实时AQI地图，相比传统方法每小时或更长时间的更新间隔，实现了近乎即时的更新。
• GPM-NN隐层中神经元的最优数量因环境而异，表明需要针对具体场景进行模型调优。
• PDT指标有效量化了精度与能耗之间的权衡，实现了无人机轨迹的动态优化。
• 实验结果证实，将物理模型与神经网络结合，优于纯数据驱动或纯物理驱动的方法，在细粒度AQI映射中表现更优。