利用卫星图像与深度卷积神经网络预测室外 PM2.5 浓度的全球变化

本文提出一种利用卫星图像结合地面观测与深度卷积神经网络估算室外 PM$_{2.5}$ 浓度全球变化的新方法。具体而言，使用世界卫生组织提供的大量卫星图像与地面 PM$_{2.5}$ 观测配对数据库，在全球 PM$_{2.5}$ 浓度范围（$<$1–436 $\mu$g/m$^3$）上训练了新的深度学习模型。最终模型选择基于对卷积基知名架构（包括 InceptionV3、Xception 和 VGG16）的系统评估。Xception 架构表现最佳，最终全球模型在独立测试集上的均方根误差（RMSE）为 13.01 $\mu$g/m$^3$（R$^2$=0.75）。我们的新全球模型（称为 IMAGE-PM$_{2.5}$）的预测性能与全球疾病负担研究中当前最先进模型相近，但仅以卫星图像作为输入。因此，IMAGE-PM$_{2.5}$ 模型提供了一种快速、经济高效的估算长期平均 PM$_{2.5}$ 浓度全球变化的方法，对无地面监测数据或详细排放清单的地区尤为有用。IMAGE-PM$_{2.5}$ 模型可作为全球暴露估算的独立方法，或纳入更复杂的高阶模型结构中。