利用深度学习估计全球空气质量估计的物理模型偏差
机器学习
2025-08-08 v1 人工智能
摘要
空气污染是全球最大的环境风险因素，对人类疾病和提前死亡造成严重影响，2019年导致超过600万例提前死亡。目前，仍面临着对最重要的空气污染物之一——表面臭氧——进行建模的挑战，尤其是在对人类健康影响尺度方面，由于这些尺度下全球臭氧趋势的驱动因素基本未知，限制了物理基模型的实际应用。我们采用基于2D卷积神经网络的架构来估计表面臭氧MOMO-Chem模型的残差，称为模型偏差。我们展示了该技术在北美和欧洲的潜力，突出其捕捉物理模型残差方面的能力，而与传统机器学习方法相比效果更好。我们评估了 incorporating土地利用信息来提高模型估计的影响。重要的是，我们讨论了这些结果如何改进我们对影响城市尺度臭氧偏差的因素的科学理解，这些知识可用于改进环境政策。
引用
@article{arxiv.2508.04886,
title = {Leveraging Deep Learning for Physical Model Bias of Global Air Quality Estimates},
author = {Kelsey Doerksen and Yuliya Marchetti and Kevin Bowman and Steven Lu and James Montgomery and Yarin Gal and Freddie Kalaitzis and Kazuyuki Miyazaki},
journal= {arXiv preprint arXiv:2508.04886},
year = {2025}
}