Nature Scientific Reports: AtmosChemNet-AI для прогнозирования загрязнения городского воздуха с учётом химических процессов с использованием пространственно-временного глубокого обучения
Прогнозирование загрязнения городского воздуха является важной задачей защиты общественного здоровья и управления окружающей средой, которая продолжает оставаться актуальной из-за сложных нелинейных взаимодействий между выбросами, метеорологией, переносом и атмосферной химией. Современные методы глубокого обучения были разработаны для непосредственного улучшения краткосрочной точности прогнозирования путём изучения пространственно-временных корреляций на основе исторических данных. Однако эти основанные на данных, часто неявные подходы, по сути, обходят стороной химические процессы. Следовательно, они, как правило, плохо работают при изменении режима, то есть в условиях высокого уровня загрязнения, фотохимически активных условиях и ненаблюдаемых метеорологических закономерностях, что ограничивает их надёжность и интерпретируемость. В этой статье предложена AtmosChemNet-AI, структура глубокого обучения, учитывающая кинетику реакций, чтобы обойти эти ограничения и позволить сообществу специалистов по атмосферным наукам прогнозировать динамику загрязнения городской атмосферы. Этот новый метод включает в себя дескрипторы-прокси, учитывающие кинетику реакций, посредством построения признаков на основе кинетики, кинетически обусловленного управления в пространственно-временной модели последовательности и регуляризации, ограниченной физическими параметрами, во время обучения. В совокупности эти механизмы ограничивают обучение представлений химически осуществимой эволюцией загрязняющих веществ, сохраняя при этом выразительность современных глубоких нейронных сетей. Валидация проводится для ряда загрязняющих веществ, горизонтов прогнозирования и режимов работы с использованием реальных данных, наблюдений за качеством городского воздуха и метеорологического реанализа. Экспериментальная оценка на рассматриваемых наборах данных, горизонтах прогнозирования и при сравнении с базовыми показателями демонстрирует устойчивое улучшение прогностической эффективности, включая относительное снижение средней абсолютной ошибки и среднеквадратичной ошибки на 15–20%, а также более высокие коэффициенты детерминации. Анализ абляции и режимов подтверждает вывод о том, что знание кинетики реакций повышает устойчивость во время событий с высоким уровнем загрязнения, в благоприятных для реакции условиях и в необученных метеорологических режимах. Основные результаты показывают, что включение знаний о кинетике реакций в модели глубокого обучения значительно повышает точность, стабильность и обобщающую способность прогнозов. Данная структура представляет собой перспективную основу для будущих приложений прогнозирования качества воздуха в реальном времени и поддержки принятия решений в области охраны окружающей среды в городах, при условии дальнейшей проверки на практике и оценки на системном уровне.
