基于物理引导的时空抽样克里格方法用于PM2.5，结合卫星梯度约束
机器学习
2025-11-21 v1 人工智能
摘要
高分辨率的细颗粒物(PM2.5)映射是可持续城市化的基石，但因地面监测网络的空间稀疏性而严重受限。传统数据驱动方法试图利用卫星气溶胶光学厚度(AOD)弥补这一差距，但常因严重的非随机数据缺失(如云层遮挡或夜间)以及反演偏差而受限。为克服这些限制，本研究提出了时空物理引导推断网络(SPIN)，一种用于归纳时空克里格的新型框架。不同于传统方法，SPIN通过显式建模物理扩散与扩散过程的平行图核，将领域知识融入深度学习。关键在于，我们提出一种范式性训练策略：不将误差可靠的AOD作为直接输入，而是将其作为损失函数中的空间梯度约束。这使模型能够从卫星数据中学习结构化污染模式，同时对数据空洞具有鲁棒性。在高度污染的北京-天津-河北及周边地区(BTHSA)，SPIN实现了新纪录的均方绝对误差(MAE)为9.52 ug/m^3，有效生成即使在监测点稀缺地区的连续、物理上可信的污染场。本工作为细粒度环境管理提供了稳健、低成本且全天候的解决方案。
引用
@article{arxiv.2511.16013,
title = {Physics-Guided Inductive Spatiotemporal Kriging for PM2.5 with Satellite Gradient Constraints},
author = {Shuo Wang and Mengfan Teng and Yun Cheng and Lothar Thiele and Olga Saukh and Shuangshuang He and Yuanting Zhang and Jiang Zhang and Gangfeng Zhang and Xingyuan Yuan and Jingfang Fan},
journal= {arXiv preprint arXiv:2511.16013},
year = {2025}
}