基于分布式感知深度神經網絡的高分辨率PM2.5值估算

作者：劉基偉,閔素芹,金夢迪

摘要：細顆粒物(PM2.5)個體暴露水平是健康效應研究中的關鍵問題,然而歷史數據缺失和地面監測點覆蓋范圍小阻礙了相關研究。基于美國國家航空航天局遙感數據提供的氣溶膠光學厚度(AOD),融合地面監測、氣象等多源數據進行建模來估算近地面PM2.5濃度,所得結果的空間覆蓋范圍廣、時間連續性強、方法成本低。本文基于2018年京津冀魯地區,引入氣象、NDVI、時間節點、空間標識等50個特征分析AOD-PM2.5關系。鑒于傳統插補方法單一所造成的信息損失,運用時空多視圖插補方法來提高插補的精度和廣度。考慮到特征的滯后作用、特征間相關性與偏相關性所導致的復雜關系,運用分布式感知深度神經網絡模型來分別捕捉多源特征間的高階特性。結果表明:①時空多視圖插補方法的相對誤差為27.5%,數據平均缺失52.1%降至4.84%。②分布式感知深度神經網絡模型在時間預測上平均絕對誤差、相對誤差、均方誤差、均方根誤差分別為17.7μg/m^(3)、46.8%、766.2μg^(2)/m^(6)、26.9μg/m^(3),空間上,為16.6μg/m^(3)、41.8%、691.5μg^(2)/m^(6)、26.6μg/m^(3),從精度、穩健性、泛化能力和耗時方面綜合來看,結果優于線性統計模型和常見深度學習架構。

發文機構：中國傳媒大學數據科學與智能媒體學院

關鍵詞：氣溶膠光學厚度PM2.5多視圖插補分布式感知深度學習時空遷移預測aerosol optical depth(AOD)PM2.5 predictionmulti-view interpolationdistributed perceptiondeep learningprediction of spatiotemporal migration

分類號： TP3[自動化與計算機技術—計算機科學與技術]