在2015-2022年期间,利用深度学习模型,对中国人为NOx排放的时空空间估计
Yuxin Lou1, Yubao Chen1, Xi Chen1
1Key Laboratory of Geographic Information Science of the Ministry of Education, School of Geographic Sciences, East China Normal University, Shanghai 200241, PR China.
Journal of hazardous materials
|January 23, 2025
概括
一个新的深度学习模型通过纠正空气污染模型中的偏差来改善对氧化 (NOx) 排放的估计. 这种方法准确地跟踪排放变化,有助于污染控制政策.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 数据科学数据科学数据科学
背景情况:
- 氧化 (NOx) 是具有不良健康和环境影响的重要空气污染物.
- 现有的排放量库存存在不确定性,导致空气质量模型模拟中的偏差.
- 准确的NOx排放数据对于有效的污染控制策略至关重要.
研究的目的:
- 开发和应用一个深度学习模型来模拟GEOS-Chem模型的反向过程.
- 改进和预测人为NOx排放强度,使用新的数据驱动框架.
- 为政策制定提供更准确的NOx排放数据.
主要方法:
- 开发了一个深度学习模型来模拟GEOS-Chem模型的反向过程.
- 使用高分辨率NO2度数据对NOx排放强度进行校准.
- 使用 10 倍交叉验证验证模型,实现 0.94.4 的高 R2 值.
主要成果:
- 深度学习模型有效地捕获了NOx排放的空间特征和模式.
- 从空间上来看,上下逆转结果通常与自下而上的排放库存一致.
- 从2015年到2022年,在北京-天津-河北和珠江三角洲等主要地区观察到NOx排放强度的显著下降.
结论:
- 开发的深度学习框架提供了一个强大的方法来改进NOx排放估计.
- 该研究强调了主要工业和城市地区的NOx排放量大幅减少.
- 这项研究支持及时跟踪污染物排放,并为污染预防政策提供信息.
