Jun, 2024

利用双重深度神经网络推进 PM2.5 运营预测 (D-DNet)

PDF
TL;DR提出了一种双重深度神经网络（D-DNet）预测与数据同化系统，能够高效整合实时观测，确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀，在 2019 年整年内保持一致的准确性，并比 Copernicus Atmosphere Monitoring Service (CAMS) 4D-Var 运营预测系统具有显著的高效性，同时保持可比较的准确性。这种高效性有利于集合预测、不确定性分析和大规模任务。
pm2.5 forecastingdeep learning modelsdual deep neural networkreal-time observationsefficiency
发现论文，激发创造
  • 基于混合深度学习框架的深度空气质量预测

    该研究提出了一种基于深度学习的新型空气质量（主要是 PM2.5）预测模型，该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征，并在两个实际数据集上进行了实验验证，表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。

    Dec, 2018

  • PM2.5-GNN: 领域知识增强的图神经网络用于 PM2.5 预测

    本文提出一种基于图的 PM2.5-GNN 模型来预测 PM2.5 浓度，能够捕捉 PM2.5 过程中的细粒度和长期影响，并已在真实数据集上得到验证，可提供免费预测服务。

    Feb, 2020

  • 基于 PSO 调节的三种深度学习模型在北京 PM2.5 预测中的参数优化

    研究使用 PSO 优化深度学习的架构，以进行北京 PM 2.5 数据集的预测，结果表明 PSO-LSTM 是最好的模型，可用于空气污染管理推荐。

    Jun, 2023

  • DustNet：萨赫勒地区沙尘的技巧性神经网络预测

    DustNet 是一个快速而准确的模型，使用纳秒级训练和秒级预测，在粗糙的 1x1 度分辨率情况下，超过了基于物理模型的最先进模型的 95% 格点位置上的地面真实卫星数据，具有潜力改变我们对天气模式影响的理解。

    Jun, 2024

  • 基于深度学习的稀疏观测数据日预报

    本文介绍了 MetNet-3，即一个基于气象观测预测降雨、风、温度和露点的神经网络模型，该模型引入了一种重要的数据密集化技术，并通过性能比较，证明了 MetNet-3 与最先进的概率性数值天气预报模型相比，在 24 小时内具有更好的预测表现。

    Jun, 2023

  • DeepPhysiNet: 将深度学习与大气物理学相结合，进行精确和连续的天气建模

    将物理定律与深度学习模型相结合的 DeepPhysiNet 框架可以实现准确连续的天气系统建模，增强预测精度并获得连续的时空分辨率结果。

    Jan, 2024

  • AirPhyNet: 利用物理引导的神经网络进行空气质量预测

    本论文提出了一种名为 AirPhyNet 的物理引导神经网络方法，通过将空气颗粒运动的物理原理（扩散和平流）表示为微分方程网络，并利用图结构将物理知识整合到神经网络架构中，从而捕捉空气质量数据中的时空关系。实验证明，AirPhyNet 在不同测试场景下（包括不同前瞻时段、稀疏数据和突变预测）优于现有模型，预测误差降低了 10％。此外，案例研究进一步验证了我们的模型捕捉了颗粒运动的基本物理过程，并生成了具有真实物理意义的准确预测。

    Feb, 2024

  • 利用深度集合森林技术，对伊朗德黑兰的 MODIS MAIAC AOD 数据进行 PM2.5 高分辨率制图

    用于估计 PM2.5 浓度的深度集成森林方法在提供高分辨率 PM2.5 地图的建模方面表现出较好的性能，相较于深度学习方法和经典的数据驱动方法，其能够给出更准确的 PM2.5 估计值。

    Feb, 2024

  • 基于实际预测过程引导的扩散天气预测

    应用扩散模型实现具有灵活性和可控性的天气预报系统，能够整合数值天气预报，并结合持续性和气候数据以提高长期预测稳定性。

    Feb, 2024

  • 基于物理信息的深度学习方法降低氮氧化物联合预测中的偏差

    大气氮氧化物主要来自燃料燃烧，会对健康和环境造成急性和慢性影响。本研究提出了一种基于物理知识的深度学习框架，结合了传输模型和机器学习的优势，可以准确预测 NO2 和 NOx 的地面浓度，并降低估计偏差。该框架在空气质量暴露、健康和政策应用方面取得了显著的改进。

    Aug, 2023