使用深度学习模拟CMAQ:通过使用EQUATES数据集在CONUS上模拟表面NO₂,O₃和PM_2.5的比较研究

科学领域:

• 环境科学 环境科学
• 计算机科学 计算机科学
• 大气化学 大气化学

背景情况:

• 空气质量建模对于公共卫生和环境监测至关重要.
• 传统的化学运输模型 (CTM) 是计算密集型的,限制了它们用于快速评估的应用.
• 开发高效的模拟器对于更快的空气质量预测至关重要.

研究的目的:

• 开发和验证基于二维卷积神经网络 (CNN) 的模拟器,用于预测每日平均 NO2,O3 和 PM2.5.5 的表面度.
• 通过使用现实数据,对这些模拟器的性能与已建立的CTM (CMAQ) 进行评估.
• 与传统建模相比,评估深度学习方法的计算效率.

主要方法:

• 使用U-Net架构为2D CNN模拟器.
• 输入数据包括来自美国环保署EQUATES数据集的气象,排放和陆地表面数据.
• CMAQ模型的输出作为培训和验证的目标数据.
• 使用一致性指数 (IOA) 和时空分析评估模拟器性能.

主要成果:

• 模拟器与CMAQ模拟实现了很高的一致性 (NO2的IOA高达0.95,O3的0.88,PM2.5的0.85).
• 在各种条件和排放模式中表现出一致的时空准确性.
• 与CPU-GPU设置上的CMAQ相比,实现了显著的加快速度 (NO2模拟的1064倍)

结论:

• 深度学习模拟器为空气质量评估提供了一个计算效率高的替代方案,其准确性与CTM相比较.
• 2D方法显示了O3和PM2.5等复杂物种的局限性,这表明3D模拟器的潜在好处.
• 这项技术可以为政策和研究提供更快,更容易获得的空气质量预测.