Sơ đồ kết hợp 2 mô hình xử lý để dự báo chất lượng không khí bằng camera. (Nguồn: Environmental Science and Ecotechnology).

Ô nhiễm không khí là một vấn đề sức khỏe nghiêm trọng toàn cầu, đòi hỏi các giải pháp giám sát sáng tạo. Các phương pháp truyền thống đang phụ thuộc vào các trạm quan trắc mặt đất, thường đắt tiền và hạn chế về mặt phân bố địa lý, tạo ra cản trở phạm vi thu thập dữ liệu trên diện rộng. Những bước tiến gần đây trong công nghệ đã làm nổi bật tiềm năng của việc sử dụng dữ liệu hình ảnh từ camera giám sát như một giải pháp thay thế hiệu quả về mặt chi phí để đánh giá chất lượng không khí.

Một nghiên cứu mới được công bố trên Tạp chí Environmental Science and Ecotechnology đã phát triển một mô hình học sâu kết hợp để cải thiện đáng kể việc giám sát chất lượng không khí ngoài trời bằng hình ảnh camera giám sát. Cách tiếp cận này nâng cao khả năng dự báo chất lượng không khí, bao gồm nồng độ PM2.5 và PM10 cũng như các chỉ số chất lượng không khí khác, ở bất kỳ thời điểm nào trong ngày.

Nhóm nghiên cứu từ Đại học Sư phạm Nam Kinh (Trung Quốc) đã kết hợp những mạng thần kinh tích chập (Convolutional Neural Networks - CNN) với các mạng bộ nhớ ngắn-dài hạn (Long Short-Term Memory - LSTM) để tạo ra một mô hình học sâu, nó có thể nhận biết một cách thông minh các chi tiết không gian có trong từng hình ảnh riêng biệt và động lực thời gian trên một chuỗi hình ảnh. CNN là một loại mô hình mạng nơ-ron nhân tạo được sử dụng rộng rãi trong lĩnh vực thị giác máy tính và xử lý ảnh, được thiết kế để nhận dạng và phân loại hình ảnh dựa trên cấu trúc của ảnh, có vai trò quan trọng trong công nghệ nhận diện hình ảnh thông minh. LSTM là một mạng thần kinh hồi quy nhân tạo, được sử dụng trong lĩnh vực học sâu, có chứa các kết nối phản hồi và khả năng xử lý toàn bộ chuỗi dữ liệu. Cách tiếp cận sáng tạo này có hiệu quả trong việc ước tính chính xác chất lượng không khí vào ban đêm, giai đoạn mà các phương pháp dựa trên hình ảnh truyền thống thường gặp khó khăn do điều kiện ánh sáng yếu.

Bằng cách phân tích các dấu hiệu trực quan trong cảnh quay từ camera giám sát, chẳng hạn như sương mù và tầm nhìn, mô hình có thể dự đoán nồng độ các hạt vật chất ví dụ như PM2.5, PM10 và các chỉ số chất lượng không khí khác một cách hiệu quả, cả ngày lẫn đêm. Giải pháp này đánh dấu một bước tiến đáng kể trong việc sử dụng công nghệ để giám sát môi trường, mở ra những con đường mới cho đánh giá chất lượng không khí toàn diện ở những vùng thiếu cơ sở hạ tầng quan trắc.