基于移动监测和深度学习的PM2.5度的高分辨率时空预测
Yi-Zhou Wang1, Hong-Di He2, Hai-Chao Huang2
1Center for Intelligent Transportation Systems and Unmanned Aerial Systems Applications, State-Key Laboratory of Ocean Engineering, School of Ocean and Civil Engineering, Shanghai Jiao Tong University, Shanghai, 200240, China; Data-Driven Management Decision Making Lab, Shanghai Jiao Tong University, Shanghai 200240, China.
这项研究引入了一种使用移动监测数据来预测高分辨率城市空气污染 (PM2.5) 的新方法. 该方法有效地解决了数据稀疏性,使得精确的时空分布绘图能够更好地控制污染.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气化学 大气化学
背景情况:
- 高分辨率的城市空气污染物分布对于公共卫生和污染控制至关重要.
- 传统的固定监测方法在数据稀疏性问题上扎,以实现全面的空间覆盖.
- 移动监控提供了一个实用的替代方案,但在数据完整性方面面临挑战.
研究的目的:
- 利用移动监测数据开发一种高分辨率的城市PM2.5预测方法.
- 为了克服移动监测数据稀疏性的挑战,为准确的时空污染物映射提供准确的时空污染物映射.
- 为了实现500m x 500m的空间分辨率和PM2.5预测的时间分辨率为1小时.
主要方法:
- 训练了一个光梯度增强机 (LightGBM) 模型,带有移动PM2.5数据和外源特征,以计算完整的时空度.
- 开发了一个卷积神经网络转换器 (CNN转换器) 模型,具有定制损失函数,用于高分辨率的PM2.5预测.
- 使用来自中国的现实世界数据验证了该方法,采用交叉验证技术.
主要成果:
- 在LightGBM模型中,数据归算的R平方 (R2) 为0.925.
- 在CNN-变压器模型中,PM2.5预测的R2值为0.887.
- 提出的方法成功实现了PM2.5度的高分辨率时空预测.
结论:
- 开发的方法有效地解决了PM2.5预测的移动监测数据稀疏性.
- 将LightGBM用于归算和CNN-Transformer用于预测的组合产生了准确的高分辨率时空结果.
- 这种方法适用于加强城市空气质量监测和管理策略.
更多相关视频
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
09:33Visualizing Field Data Collection Procedures of Exposure and Biomarker Assessments for the Household Air Pollution Intervention Network Trial in India
Published on: December 23, 2022
