域知识增强的多空间多时间PM_2.5预测与集成的监测和重新分析数据

科学领域:

• 环境科学与工程环境科学与工程
• 大气科学 大气科学
• 数据科学和人工智能数据科学和人工智能

背景情况:

• 准确的空气质量预测对于公共卫生,环境监测和城市规划至关重要.
• 现有的方法难以整合多个尺度的空间和时间信息,并忽视时间周期性.
• 连接个别监测站与全市空气质量尺度存在差距.

研究的目的:

• 开发一种新的空气质量预测方法,有效地利用多尺度的空间和时间数据.
• 将信息从个别监测站整合到全市规模和跨不同时间尺度的信息中弥合差距.
• 提高空气质量预测的准确性和全面性.

主要方法:

• 引入了使用图形卷积网络 (GCN) 和门式循环单位 (GRU) 的多空间多时间空气质量预测方法 (M2G2).
• 开发了一个多尺度空间GCN (MS-GCN) 模块用于空间信息融合,包含双向和残余结构.
• 开发了一个多尺度时间GRU (MT-GRU) 模块,用于时间信息集成,适应性地结合来自不同时间尺度的信息.

主要成果:

• 与九种先进方法相比,M2G2在所有测试的空气质量指标上都表现出卓越的准确性.
• 在72小时预测的根平均平方误差 (RMSE) 中取得了显著的改进:PM2.5 (6%-10%),PM10 (5%-7%),NO2 (5%-16%),O3 (6%-9%).
• 废弃性研究证实了单个M2G2模块的有效性,敏感性分析显示O3对PM2.5预测准确性产生负面影响.

结论:

• M2G2方法有效地整合了时空多尺度域知识,以提高空气质量预测.
• 拟议的MS-GCN和MT-GRU模块成功地解决了空间和时间信息融合的局限性.
• M2G2在空气质量预测准确度方面取得了重大进展,有利于公共卫生和环境管理.