基于深度学习的可信大气甲醛建模

甲醛（HCHO）是大气中最主要的痕量气体之一，因为它是导致呼吸道及其他疾病的污染物。它也是损害作物并恶化人类健康的对流层臭氧的前体物。从人类健康、粮食安全与空气污染的角度，研究 HCHO 化学并利用卫星数据进行长期监测十分重要。动态大气化学模型难以模拟大气甲醛，且相对于卫星观测与再分析常高估达两倍。模拟的 HCHO 空间分布也未能匹配卫星观测。在此，我们提出一种使用简单基于超分辨率的卷积神经网络的深度学习方法，以模拟快速且可靠的大气 HCHO。我们的方法是一种无需化学方程的 HCHO 间接估计方法。我们发现深度学习优于涉及复杂大气化学表征的动力学模型模拟。在我们的方法中，通过使用来自气象与化学再分析的多种前体物到目标基于 OMI AURA 卫星的 HCHO 预测，建立了不同变量到目标甲醛的非线性关系因果性。我们选择南亚作为测试实现区域，因为该地区没有甲醛的现场测量且需要改进质量的数据。此外，卫星产品中存在时空数据缺口，可通过可信大气甲醛建模予以消除。本研究是利用计算机视觉对遥感甲醛进行可信建模的新颖尝试，可带来连锁的社会效益。