基于多站时间序列数据和遥感图像的多模式深度学习空气质量预测方法:北京和天津的案例研究
Hanzhong Xia1, Xiaoxia Chen1, Zhen Wang1
1Faculty of Electrical Engineering and Computer Science, Ningbo University, Ningbo 315211, China.
Entropy (Basel, Switzerland)
|January 26, 2024
概括
本研究介绍了Res-GCN,这是一种用于准确空气质量预测的新型深度学习模型. 通过整合遥感图像和时间序列数据,它显著改善了多步空气污染预测.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 计算机科学 计算机科学
背景情况:
- 严重的空气污染对人类健康,生态系统和经济构成重大风险.
- 准确的空气质量预测对于公共卫生和环境管理至关重要.
- 现有的模型往往忽视了遥感数据的价值,只专注于时间序列分析.
研究的目的:
- 开发一种新的多模式深度学习模型,以提高空气质量预测.
- 将高分辨率遥感图像与多站时间序列空气质量数据集成.
- 提高多步空气质量预测的准确性和可靠性.
主要方法:
- 提出了一个新的深度学习模型,命名为Res-GCN.
- 利用剩余网络从遥感图像中提取视觉特征.
- 采用动态时空图形卷积网络进行时间序列数据分析.
- 整合了两种模式的功能,以捕捉全面的时空模式.
主要成果:
- Res-GCN模型有效地提取多模式特征,以提高预测性能.
- 在真实世界数据集上的实验表明,多步空气质量预测有显著的改进.
- 与基线模型相比,平均绝对误差,根平均平方误差和平均绝对百分比误差大约减少了6-7%.
结论:
- Res-GCN模型通过利用多模式数据,为空气质量预测提供了一种优越的方法.
- 整合遥感和时间序列数据显著提高了预测准确度.
- 这种方法为环境监测和公共卫生保护提供了有价值的工具.
