links-ads/mil-qualair

MIL-QUALAIR数据集是为米兰大都会区的城市空气污染预测而构建的，包含Sentinel-5P卫星观测、气象条件、地形特征和地面监测站测量数据。数据集涵盖了2018年至2023年的数据，支持预测PM10、PM2.5、NO2、O3和SO2五种主要污染物的浓度。数据集由LINKS Foundation整理，并由UP2030项目资助，采用MIT许可证。

原始信息汇总

数据集概述

名称: MIL-QUALAIR

目的: 用于米兰都市区城市空气污染预测，整合了Sentinel-5P卫星观测、气象条件、地形特征及地面监测站测量数据。

时间范围: 2018年至2023年

覆盖区域: 米兰都市区

主要污染物: PM10, PM2.5, NO2, O3, SO2

数据集详情

数据集描述

该数据集整合了多种数据源，包括Sentinel-5卫星观测、数字高程模型（DEM）数据、土地覆盖信息、气象记录及地面测量数据，旨在支持预测五种主要污染物的浓度。

数据集来源

• Sentinel 5P: ESA Copernicus Sentinel 5p任务
• DEM: Copernicus
• 气象数据: Visual crossing Weather
• 土地覆盖: Copernicus Land Monitoring Service - Urban Atlas
• 地面实况: 米兰开放数据门户

数据集结构

• Sentinel 5P: sentinel5.csv - 每日Sentinel5P卫星波段读数
• DEM: dem.tiff - 米兰都市区10米分辨率数字高程模型测量图
• 气象: weather.csv - 每日气象变量测量
• 土地覆盖: land_cover/land_cover.tiff - 土地覆盖分类图; land_cover/land_cover_taxonomy.json - 分类与标签关联; land_cover/land_cover_mapping.json - 土地覆盖类映射
• 地面实况: stations.csv - 五种支持污染物的每日站点测量读数

使用案例

主要用于开发空气污染预测模型，通过整合数据集中的多种数据源，用户可以创建一个全面的特征集，用于更准确地预测五种支持污染物的水平。

数据集创建

源数据

• Sentinel 5P: ESA Copernicus Sentinel 5p任务
• DEM: Copernicus
• 气象数据: Visual crossing Weather
• 土地覆盖: Copernicus Land Monitoring Service - Urban Atlas
• 地面实况: 米兰开放数据门户

数据集作者与联系

• 作者: Giacomo Blanco, Luca Barco, Lorenzo Innocenti, Claudio Rossi
• 联系邮箱: [e-mail], [e-mail], [e-mail], [e-mail]

搜集汇总

数据集介绍

构建方式

MIL-QUALAIR数据集的构建汇集了多个数据源，包括Sentinel-5P卫星观测、数字高程模型（DEM）数据、土地覆盖信息、气象记录以及地面监测站测量数据。这些数据覆盖了2018年至2023年间米兰大都会区域的环境状况，旨在服务于城市空气污染预测任务。数据集的构建由LINKS基金会策划，并得到UP2030项目的资助，遵循MIT许可证进行发布。

特点

该数据集的特点在于其多维度的数据融合，包含了五大主要污染物的浓度预测所需的环境因素。这些数据不仅揭示了米兰大都会区域空气污染的复杂交互作用，而且为研究者提供了一个全面的环境数据资源，助力他们探索不同环境变量与污染物浓度之间的关系，以及识别污染模式和发展趋势。

使用方法

MIL-QUALAIR数据集适用于空气污染预测模型的开发。用户可以通过结合数据集中的各种数据源，为每一天创建一个综合特征集，从而更准确地预测五种污染物的水平。数据集以分离的方式呈现每个数据源，使用户能够遵循相关论文中概述的聚合过程，或者开发符合特定研究目标的定制方法。

背景与挑战

背景概述

MIL-QUALAIR数据集，由LINKS Foundation策划，UP2030项目资助，旨在服务于米兰大都会区域的城市空气污染预测任务。该数据集汇集了2018至2023年间Sentinel-5卫星观测数据、数字高程模型（DEM）数据、土地覆盖信息、气象记录以及地面监测站测量数据，专注于预测五种主要污染物（PM10、PM2.5、NO2、O3、SO2）的浓度。该数据集的构建为相关领域的研究提供了宝贵的资源，并在《Urban Air Pollution Forecasting: A Machine Learning Approach Leveraging Satellite Observations and Meteorological Forecasts》这一研究中得到应用，对城市空气污染预测领域产生了重要影响。

当前挑战

该数据集面临的挑战主要在于如何有效地整合多源异构数据，以及如何准确预测空气污染物的浓度。具体挑战包括：处理卫星数据与地面监测数据之间的时空对齐问题，确保模型的泛化能力，以及处理数据缺失和异常值问题。构建过程中，研究人员需要克服数据收集、整合和预处理等一系列技术难题，以确保数据质量，进而提高预测模型的准确性和可靠性。

常用场景

经典使用场景

在探讨城市空气质量变化及其预测模型的领域中，MIL-QUALAIR数据集以其集成多源数据的特性，成为构建空气污染预报模型的重要资源。该数据集通过融合Sentinel-5P卫星观测、气象条件、地形特征以及地面监测站测量数据，为研究者提供了预测PM10、PM25、NO2、O3、SO2五种主要污染物浓度的全面特征集。

解决学术问题

MIL-QUALAIR数据集解决了空气质量预测中数据源单一、特征不全面的问题。它为学者提供了从卫星到地面监测的多元化数据，有助于探究不同环境变量与污染物浓度之间的相关性，识别时间序列中的模式与趋势，为构建和验证预测模型提供了坚实基础。

衍生相关工作

基于MIL-QUALAIR数据集的研究衍生出了一系列相关工作，如探索机器学习在空气质量预测中的应用、分析不同污染物间的相互作用机制等。这些研究进一步拓展了数据集的应用范围，推动了环境保护和公共健康领域的科技进步。