利用深度学习减少全球空气质量估算的物理模型偏差.pdfVIP

利用深度学习减少全球空气质量估算的物理模型偏差

KelseyDoerksenYuliyaMarchetti

DepartmentofComputerScienceJetPropulsionLab

OATMLCaliforniaInstituteofTechnology

NASAJetPropulsionLab

UniversityofOxford

kelsey.doerksen@cs.ox.ac.uk

KevinBowmanStevenLu

JetPropulsionLaboratoryJetPropulsionLaboratory

本CaliforniaInstituteofTechnologyCaliforniaInstituteofTechnology

译

中JamesMontgomeryYarinGalFreddieKalaitzis

JetPropulsionLaboratoryOATMLOATML

1

vCaliforniaInstituteofTechnologyUniversityofOxfordUniversityofOxford

6

8

8KazuyukiMiyazaki

4JetPropulsionLaboratory

0.CaliforniaInstituteofTechnology

8

0

5

2Abstract

:

v

i

x空气污染是人类疾病和过早死亡的最大环境风险因素，2019年导致超过600

r

a万人过早死亡。目前，仍然存在一个挑战，即建模最重要的空气污染物之一

——地面臭氧(O3)，尤其是在与人类健康影响相关的尺度上，全球臭氧趋

势的驱动因素在这些尺度上尚不清楚，限制了基于物理学模型的实际应用。

我们采用了一种基于二维卷积神经网络(CNN)的U-Net架构来估算MOMO-

Chem模型的地表臭氧残差，这被称为模型偏差。我们在北美和欧洲展示了

这项技术的潜力，突显其在捕捉物理模型残差方面优于传统机器学习方法

的能力。我们评估了从高分辨率卫星图像中获取的土地使用信息对提高模

型估计的影响。重要的是，我们讨论了我们的结果如何改善我们对影响城市

尺度臭氧偏差因素的科学理解，并可用于改进环境政策。

1介绍

《2017-2027地球科学与空间应用十年调查》指出，其优先事项是确定“哪些过程决定了重要

空气污染物的空间时间结构及其对人类健康、农业和生态系统产生的