使用U-Net在摩洛哥提高5天颗粒物质 (PM10) 预测:一种深度学习方法
Anass Houdou1,2, Kenza Khomsi3, Luca Delle Monache4
1Mohammed VI International School of Public Health, Mohammed VI University of Sciences and Health, Casablanca, Morocco.
Atmospheric research
|September 11, 2025
概括
本研究引入了U-Net深度学习模型,以增强摩洛哥的颗粒物 (PM10) 预测,显著提高了对现有方法的准确性. 该模型提供可靠的预测,通过提供PM10污染的关键早期警告,帮助公共卫生.
科学领域:
- 环境科学 环境科学
- 大气科学 大气科学
- 人工智能的人工智能
背景情况:
- 准确预测颗粒物 (PM10) 对公共卫生和风险预防至关重要.
- 现有的PM10预测,比如科珀尼克斯大气监测服务 (CAMS) 的预测,需要改进以提高准确性.
- 中东和北非 (MENA) 地区缺乏用于PM10预测的先进深度学习应用程序.
研究的目的:
- 通过使用U-Net深度学习模型,提高摩洛哥五天PM10预测的准确性.
- 为了适应U-Net架构的可变分辨率输出,保留空间细节没有插值.
- 在MENA地区建立第一个基于深度学习的PM10预测系统.
主要方法:
- 使用修改后的U-Net深度学习模型对CAMS PM10预测进行后处理.
- 雇佣CAMS重新分析数据作为模型培训的参考.
- 修改了U-Net架构以处理不同的输入和输出分辨率,避免插值.
- 将U-Net模型与CAMS预测和Analog Ensemble (AnEn) 模型进行比较.
主要成果:
- 在关键指标 (MAE,RMSE,R2,IOA,偏差) 中,U-Net模型显著超过CAMS和AnEn基线.
- 在CAMS预测升级到2023年中期之前,在易受尘暴影响的地区,改善尤为明显.
- 该模型在2023年底显示了持续的准确性改进,尽管CAMS升级周期影响了错误模式.
- U-Net准确地捕获了高污染水平,预测值高达500μg/m3.
结论:
- U-Net模型在PM10预测准确度方面提供了显著的进步,用于运营用途.
- 用更新数据定期重新训练U-Net模型对于保持预测可靠性至关重要.
- 这种深度学习方法为早期预警提供了有价值的工具,减轻了PM10污染对健康和环境的影响.
