PollutionNet：基于 Vision Transformer 的卫星-地面数据融合 NO$_2$ 与 SO$_2$ 气候评估框架
计算机视觉与模式识别
2026-04-07 v1 大气与海洋物理
摘要
准确评估大气氮氧化物（NO）和硫氧化物（SO）对于理解气候-空气质量相互作用、支持环境政策以及保护公共健康至关重要。传统监测方法存在局限：卫星观测提供广泛的空间覆盖范围，但存在数据缺口；而地面传感器虽提供高时间分辨率，却空间范围有限。为此，我们提出PollutionNet，一种基于 Vision Transformer 的框架，将Sentinel-5P TROPOMI垂直柱密度（VCD）数据与地面观测数据相结合。通过利用自注意力机制，PollutionNet捕获了常规CNN和RNN模型常忽视的复杂时空依赖关系。应用于爱尔兰（2020-2021），我们的案例研究表明，PollutionNet实现了最先进的性能（NO的RMSE为6.89 g/m，SO的RMSE为4.49 g/m），较基线模型显著降低了预测误差，最高可降低14%。除了精度提升外，PollutionNet为实际气候学提供了一个可扩展且数据高效的工具，使其能够在监测网络稀疏的地区进行稳健的污染评估。这些结果凸显了先进机器学习方法在提升气候相关空气质量研究、制定环境管理决策以及支持可持续政策方面的潜力。
引用
@article{arxiv.2604.03311,
title = {PollutionNet: A Vision Transformer Framework for Climatological Assessment of NO$_2$ and SO$_2$ Using Satellite-Ground Data Fusion},
author = {Prasanjit Dey and Soumyabrata Dev and Bianca Schoen-Phelan},
journal= {arXiv preprint arXiv:2604.03311},
year = {2026}
}
备注
This manuscript is currently under review at Theoretical and Applied Climatology (Springer)