开发和应用一个以多任务为导向的深度学习模型,用于量化空气污染物变化的驱动因素:中国太原的一个案例研究
Rumei Li1, Jinghao Zhao1, Kun Feng2
1Extended Energy Big Data and Strategy Research Center, Qingdao Institute of Bioenergy and Bioprocess Technology, Chinese Academy of Sciences, Qingdao 266101, China; Shandong Energy Institute, Qingdao 266101, China; Qingdao New Energy Shandong Laboratory, Qingdao 266101, China.
The Science of the total environment
|February 8, 2024
概括
一个新的混合模型量化了人类活动和天气如何影响PM2.5和臭氧等空气污染物. 更严格的法规减少了一些污染物,但气候变暖可能会加剧臭氧污染.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 气候变化 气候变化
背景情况:
- 了解空气污染物的变化对于适应气候变化至关重要.
- 六种主要污染物 (PM2.5,O3,NO2,SO2,PM10,CO) 是关键指标.
- 太原2015-2020年的空气质量数据提供了一个案例研究.
研究的目的:
- 开发一种新的混合模型来量化标准污染物变化的驱动因素.
- 评估人类和气象因素对空气质量的影响.
- 为改善气候变暖的区域空气质量提供见解.
主要方法:
- 提出了一个以多任务为导向的CNN-BiLSTM-Attention混合模型.
- 该模型同步量化了对六个标准污染物的影响.
- 对中国太原 (2015-2020年) 进行了实证分析.
主要成果:
- 住宅和交通部门减少了SO2和CO2的排放.
- 严格的措施和COVID-19大流行使PM2.5,PM10和NO2的数量减少.
- 气候变暖和人为因素使O3增加了39%.
结论:
- 由于气候变暖,臭氧污染可能会增加.
- 工业和运输部门有助于O3和NO2的增加.
- 改善空气质量需要协调的气候和前体减少行动.


