循环 U-net：用于预测美国夏季每日臭氧的深度学习模型
大气与海洋物理
2019-08-19 v1 计算机视觉与模式识别
机器学习
化学物理
地球物理
摘要
我们使用一种混合深度学习模型来预测美国 6—7—8 月（JJA）每日最大 8 小时平均（MDA8）地表臭氧浓度。选取来自 ERA-Interim 再分析的一组气象场以及来自 Community Emissions Data System（CEDS）清单的月平均 NO 排放量作为预测因子。使用美国环境保护署（EPA）空气质量系统（AQS）1980 至 2009 年的臭氧观测数据训练模型，而 2010 至 2014 年的数据用于评估模型性能。该模型很好地捕捉了美国各地 MDA8 臭氧在日、季节和年际尺度上的变化。特征图显示，模型捕捉到了 MDA8 臭氧与气象场之间的遥相关，这些遥相关是驱动臭氧动态变化的原因。我们利用该模型评估美国近期 NO 排放趋势，发现 EPA 排放清单中的趋势在 2010—2016 年间导致 MDA8 臭氧的最大负偏差。基于卫星观测的对流层化学再分析（TCR-2）的自上而下排放趋势所产生的预测与观测最为吻合。在城市地区，AQS NO 观测趋势给出的臭氧预测与观测一致，而在农村地区，卫星反演的趋势给出了最佳一致性。在农村和城市地区，EPA 趋势均导致预测臭氧的最大负偏差。我们的结果表明，EPA 清单高估了 NO 排放的削减量，且卫星反演的趋势反映了 NO 排放削减以及背景 NO 变化的影响。我们的结果证明了该深度学习模型在空气质量分析中相比传统大气化学传输模型具有显著更强的预测能力。
引用
@article{arxiv.1908.05841,
title = {Recurrent U-net: Deep learning to predict daily summertime ozone in the United States},
author = {Tai-Long He and Dylan B. A. Jones and Binxuan Huang and Yuyang Liu and Kazuyuki Miyazaki and Zhe Jiang and E. Charlie White and Helen M. Worden and John R. Worden},
journal= {arXiv preprint arXiv:1908.05841},
year = {2019}
}