通过人工智能,机器学习和深度学习进行空气质量建模的进步:全面审查
Delaney Nelson1, Yunsoo Choi1, Mahsa Payami1
1Department of Earth and Atmospheric Sciences, University of Houston, TX, 77204, USA.
The Science of the total environment
|February 27, 2026
概括
机器学习 (ML) 和深度学习 (DL) 正在彻底改变空气质量建模,改善污染物预测和增强传统方法. 新兴的解决方案,如可解释的人工智能 (XAI) 和物理信息神经网络 (PINN),有望实现更透明,更准确的空气质量系统.
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:
- 传统的空气质量模型 (例如CTM) 在准确性和计算成本方面存在局限性.
- 机器学习 (ML) 和深度学习 (DL) 提供了新的方法来克服这些局限性.
研究的目的:
- 系统地审查ML/DL在空气质量建模中的演变.
- 将当前的ML/DL方法分类,并确定挑战和未来方向.
主要方法:
- 将112个出版物分类为数据驱动和机器学习辅助模型.
- 在污染物度估计,CTM精制和仿真中分析ML应用.
主要成果:
- 数据驱动的模型显著提高了PM2.5和臭氧的预测准确度.
- 机器学习辅助方法通过偏差校正和仿真来增强传统建模,降低计算成本.
- 挑战包括模型透明度,不确定性量化,数据稀缺性和整合物理定律.
结论:
- ML/DL对于下一代空气质量建模至关重要.
- 可解释的人工智能 (XAI) 和物理信息神经网络 (PINN) 是开发更快,可靠和可解释系统的关键.
- 这些进展将改善污染影响评估和减缓战略.
