Data-Driven Surface Ozone Forecasting Using Node-Based Gated Spatiotemporal Fusion

Mohammadreza Akbari Lor

doi:10.1109/tgrs.2026.3725283

Data-Driven Surface Ozone Forecasting Using Node-Based Gated Spatiotemporal Fusion

2026-08-20

0

PRE

AI

M

Mohammadreza Akbari Lor

DOI：10.1109/tgrs.2026.3725283

原文链接

原文求助

摘要

En 中文

可靠的地面臭氧（$\mathrm{O_{3}}$）预报对于减轻对公众健康和环境可持续性的影响以及支持地球科学和遥感驱动的空气质量应用至关重要。传统的化学传输模型（CTMs），如GEOS-Chem，仍然被广泛使用；然而，其高昂的计算成本和相对粗糙的空间分辨率限制了及时、精细化的指导。本文介绍了时空节点自适应融合（ST-NAF）框架，该框架将图注意力网络（GAT）与Transformer编码器相结合，以统一架构建模站点间的空间关系和时空演化。使用1999–2017年来自对流层臭氧评估报告（TOAR）数据集的每日$\mathrm{O_{3}}$观测数据，训练基于ST-NAF的模型进行预报。与GEOS-Chem相比，基于ST-NAF的模型在农村地区、郊区、城市地区的预测偏差分别降低了55.61%、55.99%和55.90%，同时提高了大规模预报的计算效率。使用1999–2017年全球TOAR数据集中美国的$\mathrm{O_{3}}$ ppb（十亿分率）子集，该模型摄入30天的站点历史数据，构建基于距离的图边，并预测站点级别的$\mathrm{O_{3}}$浓度，以更低的计算成本实现了相对于GEOS-Chem的上述偏差降低。该紧凑设计支持在资源有限的环境中的部署，并为遥感导向的臭氧评估和决策支持提供了实用的数据驱动补充。

Keyword:

Atmospheric pollution

deep learning (DL)

forecasting

ground-level ozone

spatiotemporal modeling

Data-Driven Surface Ozone Forecasting Using Node-Based Gated Spatiotemporal Fusion

摘要

期刊

机构

引用论文