相关实验视频
Updated: Jun 24, 2026

16:14
Trajectory Data Analyses for Pedestrian Space-time Activity Study
Published on: February 25, 2013
13.4K
深度转移学习用于中国各地的PM2.5酸盐的时空映射:解决环境机器学习中的小数据挑战
Xi Zheng1, Haiyan Meng1, Zixiang Zhao2
1College of Carbon Neutrality Future Technology, Sichuan University, Chengdu, Sichuan 610065, China; Department of Environmental Science and Engineering, Sichuan University, Chengdu, Sichuan 610065, China.
Journal of hazardous materials
|April 9, 2025
概括
转移学习有效地重建了中国的PM2.5酸盐度,尽管数据有限. 这种方法改善了空气质量建模,并确定了污染热点,有助于环境管理.
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:
- 在中国,颗粒物 (PM2.5) 酸盐度的增加对健康构成重大风险.
- 全国范围内有限的监测数据阻碍了PM2.5酸盐的精确的时空分布研究.
- 数据稀缺性对中国的环境建模和政策制定构成了重大挑战.
研究的目的:
- 开发一种新的转移学习方法,以克服在中国重建PM2.5酸盐度的数据短缺.
- 为中国从2005年至2020年生成高分辨率的每日酸盐数据集.
- 分析PM2.5酸盐污染的时空趋势及其与政策干预的相关性.
主要方法:
- 一个深度神经网络 (源代码模型) 使用广泛的美国酸盐数据进行了预训练.
- 源模型通过有限的中国酸盐观测进行了微调,以创建转移模型.
- 使用基于细胞的交叉验证 (R2=0.72,RMSE=7.5μg/m3) 的验证证明了转移模型的改善通用性.
主要成果:
- 与传统的机器学习方法相比,转移模型显著改善了PM2.5酸盐度的重建.
- 为中国 (2005-2020年) 创建了10公里网格的每日酸盐数据集,揭示了北中国平原和经济区的严重污染.
- 酸盐度呈现波动性的上升趋势 (2005-2014年),随后减少 (2015-2020年),与空气污染控制政策保持一致.
结论:
- 转移学习是解决小数据挑战和环境研究数据差异的有效策略.
- 开发的数据集和模型为了解和管理中国空气污染提供了宝贵的见解.
- 这种方法在环境管理方面对资源有限的地区和发展中国家尤其有利.

