基于物理信息深度学习降低氮氧化物联合预测的偏差
机器学习
2023-08-16 v1 人工智能
摘要
大气氮氧化物（NOx）主要源自燃料燃烧，其急性和慢性健康与环境影响已得到确认。机器学习（ML）方法显著增强了我们以高时空分辨率预测地面 NOx 浓度的能力，但由于缺乏关于空气污染动力学的物理和化学知识，可能存在较高的估计偏差。化学传输模型（CTMs）利用了此类知识；然而，对地面浓度的准确预测通常需要进行大量事后校准。在此，我们提出一种物理信息深度学习框架，其编码平流-扩散机制和流体动力学约束，以联合预测 NO2 和 NOx，并将 ML 模型偏差降低 21-42%。我们的方法捕捉 NO2 和 NOx 的精细尺度传输，生成稳健的空间外推，并提供明确的不确定性估计。该框架将 CTMs 的知识驱动物理化学原理与 ML 在空气质量暴露、健康和政策应用中的预测能力相融合。我们的方法相较纯数据驱动的 ML 方法具有显著改进，并在 NO2 和 NOx 联合预测中实现了前所未有的偏差降低。
引用
@article{arxiv.2308.07441,
title = {Physics-Informed Deep Learning to Reduce the Bias in Joint Prediction of Nitrogen Oxides},
author = {Lianfa Li and Roxana Khalili and Frederick Lurmann and Nathan Pavlovic and Jun Wu and Yan Xu and Yisi Liu and Karl O'Sharkey and Beate Ritz and Luke Oman and Meredith Franklin and Theresa Bastain and Shohreh F. Farzan and Carrie Breton and Rima Habre},
journal= {arXiv preprint arXiv:2308.07441},
year = {2023}
}