通过深度学习方法改善WRF_Chem在中国的PM_2.5和PM₁₀预测:多尺度深度可分离的UNet

科学领域:

• 环境科学和大气化学
• 人工智能和机器学习在环境监测中的应用.

背景情况:

• 准确预测大气颗粒物 (PM2.5和PM10) 对空气污染控制服务至关重要.
• 传统的空气质量模型,如WRF_Chem,由于固有的模型不确定性,其准确性受到限制.
• 现有的模型难以捕捉复杂的非线性错误,影响PM预测的可靠性.

研究的目的:

• 开发和评估一种新的深度学习模型,即多尺度深度可分离的UNet (MDS-UNet),用于增强PM2.5和PM10度预测.
• 通过纠正从WRF_Chem.Chem的偏差和时空分布模式来提高空气质量预测的准确性.
• 评估MDS-UNet与UNet和CNN等传统方法的性能,以对中国进行短期 (0-24小时) 空气质量预测.

主要方法:

• 开发多尺度深度可分离的UNet (MDS-UNet) 深度学习架构.
• 应用MDS-UNet来纠正来自WRF_Chem模型的PM2.5和PM10度在中国的预测.
• 对MDS-UNet与UNet和CNN的性能进行比较分析,评估根平均平方误差 (RMSE) 的减少.

主要成果:

• 在PM2.5和PM10的WRF_Chem预测中,MDS-UNet有效地捕获和纠正了复杂的非线性错误.
• 实现了RMSE的显著降低:PM2.5的35.08%和PM10的17.74%区域平均预测 (0-24小时).
• 在主要城市聚合区 (YRD,四川盆地,中国中部) 的案例研究显示,在污染事件期间,PM2.5 (高达55.53%) 和PM10 (高达46.79%) 的RMSE显著减少.

结论:

• 与现有方法相比,MDS-UNet深度学习模型提供了一种优越的方法来提高PM2.5和PM10预测准确度.
• MDS-UNet在纠正WRF_Chem偏差方面表现强,特别是在中国人口密集和污染严重的地区.
• 开发的模型通过更可靠的颗粒物预测,为提高空气质量服务和污染控制策略提供了有价值的工具.