基于注意力的混合深度学习用于使用卫星衍生型号预测边界层臭氧

科学领域:

• 大气化学和物理大气化学和物理
• 环境科学环境科学
• 数据科学和机器学习

背景情况:

• 地表臭氧是光化学反应形成的主要空气污染物,对人类健康和生态系统构成风险.
• 由于与气象和化学因素的复杂非线性关系以及缺乏精细的垂直数据,预测边界层臭氧具有挑战性.
• 臭氧监测仪器 (OMI) 提供了有价值的臭氧资料数据,对于改善预测模型至关重要.

研究的目的:

• 评估各种深度学习模型对预测边界层臭氧度的有效性.
• 开发和评估新的深度学习架构,包括注意力机制和经验模式分解,以提高臭氧预测.
• 通过使用关键准确度指标,将拟议模型的性能与传统方法进行比较.

主要方法:

• 使用了来自Aura卫星OMI仪器的OMPROFOZ臭氧档案产品.
• 评估了循环神经网络 (RNN),卷积神经网络 (CNN),封闭循环单元 (GRU),长期短期记忆 (LSTM) 和混合模型 (GRU-CNN,LSTM-CNN).
• 开发并测试了先进的模型:ConvBiGRU-AttentionNet和EMD-ConvBiGRU-AttentionNet,结合了注意力机制和经验模式分解.

主要成果:

• 提出的深度学习模型在臭氧预测中显著优于传统方法.
• 在所有评估的模型中,EMD-ConvBiGRU-AttentionNet显示出最高的预测准确性.
• 视觉分析,包括残留图和注意力图,证实了模型捕捉复杂的时空模式的能力.

结论:

• 先进的深度学习模型,特别是EMD-ConvBiGRU-AttentionNet,为准确的边界层臭氧预测提供了一个有希望的方法.
• 注意力机制和经验模式分解的整合增强了模型处理复杂大气数据的能力.
• 改善臭氧预测可以有助于减轻这种主要空气污染物对健康和环境的不利影响.