Транспортно-химические модели атмосферы широко применялись в прогнозах аэрозолей в последние десятилетия, в то время как они сталкиваются с проблемами, связанными с неопределённостями в интенсивности выбросов, метеорологическими данными и чрезмерно упрощёнными химическими параметрами. Авторы разработали пространственно-временную структуру глубокого обучения, названную PPN (сеть прогнозирования загрязнения для PM_2,5), для точного и эффективного прогнозирования региональных концентраций PM_2,5. Она имеет архитектуру кодер-декодер и сочетает в себе предыдущие наблюдения PM_2,5 и численный прогноз погоды. Кроме того, модель предлагает взвешенную функцию потерь для повышения эффективности прогнозирования экстремальных явлений. Она была применена для прогнозирования трёхдневных концентраций PM_2,5 в районе Пекин-Тяньцзинь-Хэбэй в Китае на трёхчасовой основе. В целом модель показала хорошие результаты со значениями коэффициента детерминации R² и корня квадратного из среднеквадратичной ошибки RMSE 0,7 и 17,7 мкг м^-3 соответственно. Она может зафиксировать высокую концентрацию PM_2,5 на юге и относительно низкую концентрацию на севере и продемонстрировать лучшую производительность в течение следующих 24 часов. Использование взвешенной функции потерь снизило уровень «недооценки высоких значений, завышения низких значений», в то время как включение предыдущих наблюдений PM_2,5 в фазу кодирования улучшило точность прогнозирования в течение 24 часов. Авторы также сравнили свои результаты с результатом современной численной модели (WRF-Chem с усвоением данных о загрязняющих веществах). Временные R² и RMSE из WRF-Chem составляли 0,30-0,77 и 19-45 мкг м^-3, в то время как в модели PPN они были 0,42-0,84 и 15-42 мкг м^-3. Предлагаемая модель демонстрирует большие возможности в области прогнозирования аэрозолей и представляет собой эффективный и точный инструмент для раннего предупреждения и управления региональными случаями загрязнения.

 

Ссылка: https://www.nature.com/articles/s41612-023-00397-0