本研究提出了一种新颖的时空图神经网络架构，解决了传统模型忽视空间扩散影响的问题。通过真实数据验证，该模型在捕捉时空依赖性方面表现出色。

本研究使用稀疏非线性动力学识别方法（SINDy）对空气质量监测数据中的PM2.5缺失记录进行插补，结果显示SINDy方法在数据预测和插补方面表现优越，为空气质量管理提供更有效的工具。

本研究使用机器学习方法预测全球197个首都的下一天空气质量，证明了随机森林算法的有效性，提高了42％的泛化能力。研究还考虑了成本估算和商业模式，突出了资源有限国家自主预测空气质量的潜力。

提出了一种双重深度神经网络（D-DNet）预测与数据同化系统，能够高效整合实时观测，确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀，并比CAMS 4D-Var 运营预测系统具有高效性和可比较的准确性。

通过创新的三阶段深度集成机器学习框架(DEML)，该研究预测了澳大利亚24个不同建筑物中室内细颗粒物(PM2.5)的小时浓度，并调查了其与室外PM2.5浓度之间的相关性。DEML模型在大部分传感器中的预测精度优于基准模型，实现了R2值在0.63到0.99之间，RMSE值在0.01到0.663 mg/m3之间。这项研究强调了准确室内空气质量预测的重要性，对于开发特定位置的早期警报系统和制定有效干预措施至关重要，以提高公共健康结果。

本文提出了一种新的方法来解决卫星图像细粒度解释的问题，通过将地理参考维基百科文章与卫星图像配对构建数据集，并提出了两种学习卫星图像表示的策略。该方法在fMoW数据集上提高了预训练模型的F1分数4.5%。

本期投稿：王威廉 冷静 蔡占锐 王小宁 数据可视化 身在北京的小伙伴么是否还怀念“APEC蓝”的那些日子，你是否还在为度过38年来最长寒假而不知去哪里