张彦旭教授课题组在利用机器学习方法结合流体力学模型和城市形态学数据预测超高精度空气质量研究方面取得新进展

发布时间：2024-02-16浏览次数：1087

近期，张彦旭教授课题组利用机器学习方法、结合流体力学模型和城市形态学数据实现了城市区域超高精度空气质量的快速、准确预报。通过分析权重贡献和显著性图，得到不同输入特征的贡献，提高了深度学习模型的可解释性。该成果以“Predicting high-resolution air quality using machine learning: Integration of large eddy simulation and urban morphology data”为题，于2024年1月23日在线发表在《Environmental Pollution》杂志。论文第一作者为2020级博士研究生王士宝，通讯作者为张彦旭教授。

在城市区域，尤其是具有清晰空间结构的地区，准确预测空气污染物的浓度至关重要。过去十几年，机器学习技术已广泛应用于城市空气质量预测领域。然而，传统的机器学习方法在处理污染物的空间分辨率以及复杂非线性关系方面存在一定的局限性。课题组提出了一种基于卷积神经网络（CNN）的模型，利用并行化大涡模型（PALM）的南京市区CO浓度模拟作为训练数据，综合考虑建筑高度、地形、污染物排放量等多种因素（图1），实现了城市区CO浓度的10 m超高分辨率空间分布预测。48种不同情景下PALM和CNN模型预测的平均CO浓度之间的相关系数高达0.96，表明CNN模型在城市污染物预测方面具有很高的准确性（图2）。CNN模型还揭示了地形以及排放等输入特征对CO浓度分布的显著影响。图3显示CNN模型学习到的地形权重的不同模式，如邻近效应，表明某个位置的CO浓度受附近地形和建筑物高度的影响更大。同时，特征图还揭示了在不同方向上的地形权重贡献，如水平方向（图3e-3h）和其它方向(图3i-3l)，表明CO浓度受到建筑物高度、地形等多方面的综合影响。CNN模型学习到的这些特征与PALM模型的结果一致，表明模型能学习到PALM 模型的流体力学规律，具有较强的可解释性。该模型也被成功用于东莞市的污染物预测，并展现较高的预测准确性，证明其在不同城市的应用潜力。课题组未来的研究，将进一步结合观测数据和其它预测模型，如长短期记忆(LSTM)模型等，实现更加准确和实时的空气质量预测。

图1. CNN模型结构图

图2. PALM和CNN 模型在不同情景下CO预测结果对比

图3. 地形权重贡献图。权重贡献被归一化到特定范围[-0.025, 0.025]。红色表示较高的正权重贡献值，而蓝色表示较高的负值。箭头表示权重贡献增大的方向。

以上论文的通讯单位为bwin必赢，合作作者包括来自美国艾伦人工智能研究所的Jeremy McGibbon博士。该研究得到国家自然科学基金（71974092），国家重点研发计划（2019YFA0606803），江苏省双创计划和江苏省气候变化协同创新中心的资助，感谢华盛顿大学的Chris Bretherton教授的指导。