.png){kind=icon}
返回
Interpolation of missing ozone data using graph machine learning and parameter analysis through eXplainable artificial intelligence comparison
.png){kind=icon}
PRE
AI
DOI：10.1016/j.envsoft.2025.106466.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
臭氧（O3），一种短寿命气候污染物，尽管韩国实施了旨在抑制其前体物的政策，但其浓度仍在持续上升。政府运营约500个观测站以监测臭氧和痕量气体。研究人员利用这些数据来应对臭氧浓度持续升高的现存问题。然而，从观测站获取数据时可能遇到的挑战会在臭氧研究中引入偏差。本研究开发了一种基于图（graph-based）的机器学习模型，用于模拟缺失的臭氧浓度以减少偏差。该模型利用韩国2021年的合并观测数据集，融入了时空分布特征。无论区域或缺失数据长度如何，该模型均能有效模拟臭氧变化，R²最高达0.9，RMSE为3.6。为确定输入参数对臭氧插值的影响，我们采用了可解释人工智能（eXplainable AI）方法。结果表明，NO2是城市地区最重要的因素，而光化学指标在省份地区更具影响力。
Keyword:
Graph machine learning
Missing data interpolation
Spatiotemporal ozone characteristics
Climate change
Surface ozone
Explainable machine learning
期刊
E
IF:
4.6
论文数:
511
被引数:
1.8W
机构
引用论文
.png){kind=icon}
Ozone, nitrogen dioxide, and PM2.5 estimation from observation-model machine learning fusion over S. Korea: Influence of observation density, chemical transport model resolution, and geostationary remotely sensed AOD基于观测-模型机器学习融合的韩国臭氧、二氧化氮和PM2.5估算：观测密度、化学传输模型分辨率和静止卫星遥感AOD的影响
OAAI
OAAI分享收藏IntelliO3-ts v1.0: a neural network approach to predict near-surface ozone concentrations in Germany
OAAI
OAAI分享收藏Forecasting PM2.5 Concentration in India Using a Cluster Based Hybrid Graph Neural Network Approach
PREAI
分享收藏Tropospheric Ozone Assessment Report: Database and metrics data of global surface ozone observationsOAAI
OAAI分享收藏
查看更多内容