.png){kind=icon}
返回
An interpretable physics-informed deep learning model for estimating multiple air pollutants
.png){kind=icon}
OA
AI
DOI：10.1080/15481603.2025.2482272.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于中国复合型空气污染，对大气组分的精确有效监测迫在眉睫。尽管已做出诸多努力以估算各类空气污染物浓度，但关注单一污染物而忽视了它们之间的相互作用，从而限制了估算精度。此外，这些研究中共享数据和模型结构的使用因重复劳动导致了低效。再者，广泛应用的机器学习模型已显示出缺乏可解释性及物理基础薄弱。为解决这些问题，本研究开发了一种可解释的物理信息深度神经网络（IPMDNN），用于同时估算多种空气污染物。模型输入最初基于先验大气知识进行分类。为考虑各输入对不同污染物的影响差异，采用了基于tanh的自注意力机制动态调整其贡献。随后引入深度交互模块以捕捉污染物间的复杂物理化学相互作用。为与物理定律保持一致，纳入了物理约束损失函数。最后，采用逐层相关传播解释模型结果。2019-2020年在中国的实验表明，所提模型能有效同时估算臭氧（O3）和颗粒物（PM2.5和PM10）浓度。与分别估算模型相比，所提模型在样本交叉验证R2值上分别达到O3、PM2.5和PM10的0.92、0.90和0.87，效率提升超过两倍。此外，模型解释识别出甲醛、一氧化碳、羟基自由基和温度为联合估算的关键贡献因子。模型生成的污染分布图突显了中国东、中、北部的严重O3和PM污染。就季节趋势而言，夏季观测到严重O3污染，而高PM污染水平出现在冬季。这些发现表明，该高精度、高效率的模型可为中国的空气污染协同控制提供有价值的见解。
Keyword:
Air pollution
remote sensing
joint estimation
multi-task deep learning
layer-wise relevance propagation
期刊
IF:
6.9
论文数:
1.1K
被引数:
4.5K
机构
引用论文
On Pixel-Wise Explanations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation通过逐层相关性传播对非线性分类器决策的逐像素解释.png)
PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏Joint estimation of PM2.5 and O3 over China using a knowledge-informed neural networkGEOSCIENCE FRONTIERSOAAI
GEOSCIENCE FRONTIERSIF8.9
OAAI分享收藏Coordination between sulfur dioxide pollution control and rapid economic growth in China: Evidence from satellite observations and spatial econometric models中国二氧化硫污染控制与经济快速增长的协调: 来自卫星观测和空间计量模型的证据
PREAI
分享收藏
查看更多内容