基于物理的深度学习揭示北欧城市供暖需求上升加剧了空气污染
计算机与社会
2024-05-09 v1 人工智能
机器学习
神经与进化计算
摘要
政策制定者经常将空气质量和气候变化置于孤立的环境中进行分析，忽视了它们之间的相互作用。本研究通过对比回归模型与 K 均值聚类、层次聚类和随机森林技术，探讨了特定气候因素对空气质量的影响。我们采用基于物理的深度学习（PBDL）和长短期记忆网络（LSTM）来进行空气污染预测。该分析利用 2009-2018 年三座挪威主要城市的每日交通、天气和空气污染数据。特征选择结果表明，供暖度日数的增加与空气污染水平的上升之间存在相关性，暗示挪威供暖活动的增加是空气质量恶化的一个Contributing因素。PBDL 在空气污染预测方面的准确性优于 LSTM。该论文为使用环境变量实现更准确空气污染预测的 PBDL 方法提供了文献，旨在帮助政策制定者制定有效的数据驱动型气候政策。
引用
@article{arxiv.2405.04716,
title = {Physics-based deep learning reveals rising heating demand heightens air pollution in Norwegian cities},
author = {Cong Cao and Ramit Debnath and R. Michael Alvarez},
journal= {arXiv preprint arXiv:2405.04716},
year = {2024}
}
备注
52 pages, 23 figures