基于双深度神经网络（D-DNet）的PM2.5操作性预测提升
机器学习
2024-06-28 v1 大气与海洋物理
摘要
PM2.5预测对于公共卫生、空气质量管理和政策制定至关重要。传统基于物理的模型计算密集且难以适应实时条件。深度学习模型在效率方面显示出潜力，但仍因误差累积在随时间推移中导致精度损失。为解决这些挑战，我们提出一种双深度神经网络（D-DNet）预测和数据同化系统，高效地整合实时观测数据，确保可靠的操作性预测。D-DNet在2019年全年范围内的PM2.5和AOD550全球操作性预测中保持一致的精度。它比洛伦兹大气监测服务（CAMS）4D-Var操作性预测系统在效率上显著更高，同时保持相当的精度。这一效率优势惠及于集合预测、不确定性分析和大规模任务。
引用
@article{arxiv.2406.19154,
title = {Advancing operational PM2.5 forecasting with dual deep neural networks (D-DNet)},
author = {Shengjuan Cai and Fangxin Fang and Vincent-Henri Peuch and Mihai Alexe and Ionel Michael Navon and Yanghua Wang},
journal= {arXiv preprint arXiv:2406.19154},
year = {2024}
}