北米全土の微粒子物質の化学組成の推定を強化し,地質学的A Priori情報を不確実性定量化によるディープラーニングに含めること

科学分野:

• 環境科学 環境科学
• 大気化学 大気化学
• データサイエンス データサイエンス

背景:

• 微細粒子物質 (PM2.5) に曝露することは,世界的な主要な健康リスクです.
• PM2.5の化学組成の正確な特徴づけは,健康研究と環境管理において極めて重要です.
• PM2.5濃度を推定するための既存の方法は,空間的カバーと精度において制限があります.

研究 の 目的:

• 北米全土における総PM2.5質量濃度およびその化学成分の推定を改善する.
• PM2.5の見積もりを強化するために,高度な機械学習モデル (CNN) を開発し,適用する.
• 特に遠隔地で,強力なモデル評価のために,新しいクロス検証技術 (BLISCO) を導入し,活用する.

主な方法:

• 衛星,シミュレーション,地上モニターデータを統合したコンボリューションニューラルネットワーク (CNN) の開発と最適化.
• 北米 (2000-2023) の月間PM2.5および成分濃度を推定するためにCNNの適用.
• 伝統的な10倍空間クロス検証と,モデル検証と不確実性評価のための新しいバッファリングされた孤立したサイトとクラスターを排除する方法 (BLISCO) の実装.

主要な成果:

• CNNは,PM2.5総量と主要成分 (例えば,PM2.5総量に対するR2=0.82,硫酸=0.98) の伝統的なクロス検証と有意な一致を示した.
• BLISCOのクロス検証では,従来の方法によるパフォーマンスの過大評価と不確実性の過小評価の可能性が浮き彫りにされた.
• 化学輸送モデル (GEOS-Chem) のデータを組み込むことで,BLISCOにおけるCNNの性能が改善され,特に窒素 (R2 0.51から0.81) とアンモニア (R2 0.27から0.67) の性能が改善されました.

結論:

• 開発されたCNNのアプローチは,北米全土のPM2.5とその化学成分の改善された見積もりを提供します.
• BLISCOの検証方法は,モデルの性能と不確実性のより現実的な評価を,特にエクストラポレーションのために提供します.
• 監視場所からの距離は,遠隔地におけるPM2.5推定値の不確実性に影響を与える重要な要因です.