Растущее количество данных связывает внутригородские градиенты атмосферных мелких частиц (PM_2,5), сложной и изменчивой смеси токсичных химических веществ, с неблагоприятными последствиями для здоровья. Авторы предлагают улучшенную структуру иерархической модели глубокого обучения для оценки почасового изменения массовой концентрации PM_2,5 на уровне улицы. Используя данные годового мониторинга (включая метеорологические параметры, почасовые концентрации PM_2,5 и их газообразные прекурсоры) с нескольких станций в Шанхае, крупнейшем городе Китая, в качестве обучающего набора данных, они сначала применяют свёрточную нейронную сеть для получения междоменных и временных рядов, чтобы можно было эффективно извлекать неотъемлемые характеристики качества воздуха и метеорологические данные, связанные с PM_2,5. Затем используется слой расчёта веса по Гауссу для определения потенциальных эффектов взаимодействия между различными регионами и соседними станциями. Наконец, слой модели долговременной и краткосрочной памяти используется для эффективного извлечения характеристик временной эволюции концентраций PM_2,5 из предыдущего выходного слоя. Дальнейший сравнительный анализ показывает, что предлагаемая модельная структура значительно превосходит предыдущие эталонные методы с точки зрения стабильности и точности прогнозирования PM_2,5, что имеет важные последствия для оценки воздействия загрязнения, связанного с PM_2,5, на здоровье в городах.

 

Ссылка: https://www.mdpi.com/2073-4433/14/3/599