结合物理机制和深度学习模型,在中国每小时检索一次地表臭氧
Xing Yan1, Yushan Guo1, Yue Zhang1
1State Key Laboratory of Remote Sensing Science, Faculty of Geographical Science, Beijing Normal University, Beijing, 100875, China.
Journal of environmental management
|December 27, 2023
概括
这项研究引入了一种新的深度学习模型,用于在中国精确的每小时表面臭氧 (O3) 监测,并结合了物理机制. 该模型实现了高精度,改善了我们对臭氧模式的理解.
科学领域:
- 大气化学 大气化学
- 环境科学 环境科学
- 人工智能的人工智能
背景情况:
- 表面臭氧 (O3) 监测需要高时间分辨率和精度.
- 目前用于O3检索的深度学习模型往往忽略了潜在的物理机制.
- 整合物理洞察力对于改进O3监测模型至关重要.
研究的目的:
- 开发一种新的深度学习模型,以准确,每小时一次地表O3检索中国.
- 将影响表面O3的物理机制纳入模型构造中.
- 增强对O3.3表面的时空特征的理解.
主要方法:
- 利用物理机制来选择模型开发的相关特征.
- 采用广泛而深入的模型架构来捕捉线性和非线性关系.
- 从2017-2019年 (当地时间9:00-17:00) 每小时在中国进行O3检索.
主要成果:
- 该模型实现了高的验证精度,R2为0.94 (现场:0.86) 和RMSE为12.79μg/m3 (现场:19.13μg/m3).
- 中国的平均表面O3度分别为2017年,2018年和2019年的82,78和87μg/m3.
- 观察到一个白天模式,O3在15:00左右达到峰值 (96μg/m3).
结论:
- 开发的深度学习模型通过整合物理机制,准确地每小时检索表面O3.
- 这些发现提高了对臭氧物理驱动因素和时空变化的理解.
- 这种方法有助于改善臭氧监测和研究.
