不确定性量化用于表面臭氧仿真器的深度学习方法.pdfVIP

不确定性量化用于表面臭氧仿真器的深度学习方法

KelseyDoerksenYuliyaMarchetti

OATMLJetPropulsionLaboratory

UniversityofOxfordCaliforniaInstituteofTechnology

kelsey.doerksen@cs.ox.ac.uk

StevenLuKevinBowman

JetPropulsionLaboratoryJetPropulsionLaboratory

CaliforniaInstituteofTechnologyCaliforniaInstituteofTechnology

本JamesMontgomeryKazuyukiMiyazaki

译JetPropulsionLaboratoryJetPropulsionLaboratory

中CaliforniaInstituteofTechnologyCaliforniaInstituteofTechnology

1

vYarinGalFreddieKalaitzis

5OATMLOATML

8

8UniversityofOxfordUniversityofOxford

4

0

.

8Abstract

0

5

2空气污染是一个全球性的危害，截至2023年，世界上94%的人口暴露在不

:

v安全的污染水平下。地面臭氧（O3）是一种重要的污染物，其趋势驱动因素

i

x难以建模，传统的基于物理模型的方法在与人类健康影响相关的尺度上实

r

a际应用时表现不佳。基于深度学习的仿真器在捕捉复杂气候模式方面显示

出潜力，但总体缺乏必要的可解释性以支持政策变化和公共卫生措施的关

键决策。我们实现了一种不确定性感知的U-Net架构，使用贝叶斯和分位

数回归方法来预测多模型多成分化学数据同化（MOMO-Chem）模型的地

表臭氧残差（偏差）。我们在北美和欧洲地区展示了我们的技术在2019年6

月地表臭氧偏差估计中的能力。我们强调了两种不确定性量化（UQ）方法

之间的不确定性量化得分，并识别出哪些地面站是MOMO-Chem偏差校正

的最佳候选者和次佳候选者，同时评估土地使用信息在地表臭氧残差建模

中的影响。

1介绍

全球疾病负担的必威体育精装版估计表明，包括细颗粒物和臭氧在内的环境空气污染每年导致约520万

例死亡[1]。为了有效评估人类接触空气污染的程度，需要准确及时的估算。MOMO-Chem

是一种用于建模地表臭氧的数据同化框架，已显示出在捕捉大规模臭氧估算方面的显著进

展[2]。MOMO-Chem使用四个化学输运模型，即GEOS-Chem[3]、AGCM-CHASER[4]、