中国云南的高空间分辨率地面层臭氧:基于机器学习模型比较分析的时空空间估计
Xingwei Man1, Rui Liu1, Yu Zhang1
1School of Earth Sciences, Yunnan University, Kunming, Yunnan, 650504, PR China.
Environmental research
|March 5, 2024
概括
准确的地面层臭氧监测对于评估污染至关重要. 一个三维卷积神经网络 (3-D CNN) 模型在云南省模拟每天最大8小时平均臭氧时表现出卓越的性能.
科学领域:
- 大气化学和环境科学.
- 在环境监测中应用先进的计算建模.
背景情况:
- 在环境研究中,地面层臭氧监测至关重要.
- 由于卫星数据和地面观测的局限性,需要高精度的模拟模型来评估表面臭氧污染.
研究的目的:
- 为了比较集体学习和深度学习方法用于地面层臭氧模拟.
- 评估这些模型的时间和空间概括能力.
- 确定模拟云南省每日最大8小时平均臭氧的最佳模型.
主要方法:
- 各种合体学习和深度学习算法的比较.
- 使用诸如确定系数 (R2) 和根平均平方误差 (RMSE) 等指标评估模型性能.
- 应用最佳模型 (3-D CNN) 来生成数据集.
主要成果:
- 三维卷积神经网络 (3-D CNN) 模型被确定为最佳选择.
- 3D CNN模型实现了0.05° × 0.05°的空间分辨率.
- 该模型在5倍交叉验证期间表现出强大的预测能力,R2 = 0.83和RMSE = 12.54 μg/m3.
结论:
- 3D CNN模型提供了一个高分辨率和准确的方法来模拟地面层臭氧.
- 2021年云南省使用3D CNN模型生成了一个全面的每日最大8小时平均臭氧数据集.
- 这一数据集将支持对该地区臭氧污染的进一步研究.
