使用深度学习的有毒城市羽毛的时空空间预测
Yinan Wang1, M Giselle Fernández-Godino2, Nipun Gunawardena2
1Department of Industrial and Systems Engineering, Rensselaer Polytechnic Institute, Troy, NY 12180, USA.
PNAS nexus
|June 30, 2025
概括
一个新的深度学习模型,ST-GasNet,准确地预测了城市地区的有毒烟雾分散. 这种人工智能方法为应急响应提供了快速可靠的预测,优于传统的计算流体动力学模型.
科学领域:
- 环境科学 环境科学
- 计算流体动力学的流体动力学.
- 人工智能的人工智能
背景情况:
- 工业事故和化学品泄漏会将有毒气体释放到城市大气中,带来重大风险.
- 传统的电脑模型用于羽运输是计算密集的,限制了它们在时间敏感的紧急情况下的使用.
- 需要更快,更准确的方法来预测复杂的城市环境中的有毒羽毛行为.
研究的目的:
- 推出ST-GasNet,这是一个新的深度学习模型,用于预测有毒羽毛散布.
- 为了证明ST-GasNet能够捕捉羽毛发育的时空特征.
- 与传统模型相比,评估ST-GasNet的准确性和效率.
主要方法:
- 开发了ST-GasNet,这是一个深度学习模型,灵感来自大气散散方程.
- 从高分辨率的大模拟中对城市有毒羽毛的时间序列进行了训练ST-GasNet.
- 将大规模的风力边界条件纳入模型.
主要成果:
- ST-GasNet准确地预测了有毒羽毛的后期时空演变.
- 该模型有效地处理复杂的场景,例如围绕建筑物分裂的羽.
- 在整个预测期内,测试数据的预测准确度超过90%.
结论:
- ST-GasNet提供了一个计算效率高,准确的替代方案,可以实时预测有毒气柱.
- 深度学习方法对提高城市地区应急响应能力充满希望.
- 这个模型可以帮助在危险物质释放事件期间的决策.


