面向意大利空气质量的非平稳、 amortized、迁移学习方法
应用统计
2026-04-22 v1
摘要
意大利的空气质量监测依赖于稀疏、不规则的地面站点，这些站点提供高质量但不完整的污染物测量。化学传输模型（CTMs）提供完整的空间和时间覆盖，但会平滑局部变异性。我们开发一种空间迁移学习框架，将这两种数据源集成，以生产2023年意大利全境氮氧化物（NO）浓度的日度、细网格预测，并提供不确定性量化。所得图图为下游应用（如流行病学和环境政策）的决策提供了资源。我们的做法建立在地理统计LatticeKrig框架之上，该框架使用紧凑支撑基函数和由稀疏精度矩阵控制的系数。我们从网格化CTM输出中学习非平稳、各向异性的相关结构，该结构由一种图像到图像的神经网络架构估计数百万个在秒级内估计的空间变异参数。基函数表示使这种协方差结构能够转移到点级站点数据并投影到更细的预测网格上，这是处理数据来源之间支持变化的关键扩展。随后采用似然基的方法对协方差尺度进行调整，以恢复由网格化数据平滑化的细尺度变异性。该方法的结果是一种灵活的、非平稳的、各向异性的空间过程表示，更能适应意大利复杂的地理特征。通过在网格化CTM输出和点级站点测量上的实验评估性能，表明其相对于平稳形式具有改进。
关键词
引用
@article{arxiv.2604.18823,
title = {A Non-stationary, Amortized, Transfer Learning Approach for Modeling Italian Air Quality},
author = {Alessandro Fusta Moro and Antony Sikorski and Daniel McKenzie and Alessandro Fassò and Douglas Nychka},
journal= {arXiv preprint arXiv:2604.18823},
year = {2026}
}