用于理解封锁措施对局部空气质量影响的可解释且可迁移模型
机器学习
2021-03-29 v2 计算机与社会
摘要
与 COVID-19 相关的封锁措施提供了一个独特的机会，以了解经济活动和交通的变化如何影响环境空气质量，以及社会通过数字化和限制流动政策能够提供多少污染减排潜力。在这项工作中，我们利用地面空气污染监测站的测量值，训练一个长期预测模型，并将其在封锁月份的预测与测量值进行比较，从而估计封锁期间的污染减少量。我们表明，我们的模型在瑞士和中国的空气污染测量站数据上达到了最先进的性能：在苏黎世评估出 NO2 / PM10 变化达 -15.8% / +34.4%；在北京和武汉的 NO2 / PM2.5 分别变化 -35.3% / -3.5% 和 -42.4% / -34.7%。我们的减排估计与近期出版物一致，但与先前工作相反，我们的方法考虑了当地天气。我们能从封锁期间的污染排放中学到什么？封锁期太短，无法从头训练有意义的模型。为解决这个问题，我们使用迁移学习来重新仅拟合交通依赖变量。我们表明，所得模型准确、适用于封锁后时期的分析，并能够估计未来的空气污染减排潜力。
引用
@article{arxiv.2011.10144,
title = {Interpretable and Transferable Models to Understand the Impact of Lockdown Measures on Local Air Quality},
author = {Johanna Einsiedler and Yun Cheng and Franz Papst and Olga Saukh},
journal= {arXiv preprint arXiv:2011.10144},
year = {2021}
}