[論文レビュー] Geographically and temporally weighted neural networks for satellite-based mapping of ground-level PM2.5

Tongwen Li, Huanfeng Shen+2 more|arXiv (Cornell University)|Sep 26, 2018

Air Quality and Health Impacts参考文献 42被引用数 3

ひとこと要約

本研究では、気象要因、NDVI、地上観測値との間の非線形的かつ空間時間的に変化する関係を捉えることで、衛星ベースのPM2.5地図作成を改善するため、地理的・時間的加重ニューラルネットワーク（GTWNN）を提案する。GTWNNは、交差検証において、標本ベースでR² = 0.80、サイトベースでR² = 0.79を達成し、従来の線形空間時間モデルを上回り、中国全域で0.1°解像度の高精度なPM2.5地図作成を可能にした。

ABSTRACT

The integration of satellite-derived aerosol optical depth (AOD) and station-measured PM2.5 provides a promising approach for obtaining spatial PM2.5 data. Several spatiotemporal models, which considered spatial and temporal heterogeneities of AOD-PM2.5 relationship, have been widely adopted for PM2.5 estimation. However, they generally described the complex AOD-PM2.5 relationship based on a linear hypothesis. Previous machine learning models yielded great superiorities for fitting the nonlinear AOD-PM2.5 relationship, but seldom allowed for its spatiotemporal variations. To simultaneously consider the nonlinearity and spatiotemporal heterogeneities of AOD-PM2.5 relationship, geographically and temporally weighted neural networks (GTWNNs) were developed for satellite-based estimation of ground-level PM2.5 in this study. Using satellite AOD products, NDVI data, and meteorological factors over China as input, GTWNNs were set up with station PM2.5 measurements. Then the spatial PM2.5 data of those locations with no ground stations could be obtained. The proposed GTWNNs have achieved a better performance compared with previous spatiotemporal models, i.e., daily geographically weighted regression and geographically and temporally weighted regression. The sample-based and site-based cross-validation R2 values of GTWNNs are 0.80 and 0.79, respectively. On this basis, the spatial PM2.5 data with a resolution of 0.1 degree were generated in China. This study implemented the combination of geographical law and neural networks, and improved the accuracy of satellite-based PM2.5 estimation.

研究の動機と目的

• 衛星によるAODと地上PM2.5の間の複雑な非線形的関係を捉えるために、従来の線形空間時間モデルの限界を克服すること。
• 機械学習フレームワークに地理的・時間的不均一性を統合することで、地上PM2.5推定の精度を向上させること。
• 地理的加重とニューラルネットワークを組み合わせたハイブリッドモデルを構築し、大気汚染の空間時間予測を強化すること。
• 地上監視局のない地域を含め、中国全域で高解像度（0.1°）のPM2.5地図を衛星データと地上データを用いて作成すること。

提案手法

• GTWNNは、地理的・時間的加重回帰の原則をフィードフォワードニューラルネットワークに統合することで、局所的で非線形的なAOD-PM2.5関係をモデル化した。
• 入力特徴量には、中国全域の衛星由来のAOD、NDVI、気象変数（例：気温、相対湿度、風速）が含まれた。
• 空間的および時間的加重カーネルを適用して、位置と時刻に応じてモデルパラメータを動的に調整し、ニューラルネットワークの局所的適合性を可能にした。
• 地上PM2.5監視局の測定値を用いてモデルを学習させ、空間的および時間的バンド幅を交差検証により最適化した。
• モデル性能を評価するために、二段階の検証プロセス（標本ベースおよびサイトベースの交差検証）を実施した。
• 地上局のない場所を含め、訓練済みのGTWNNモデルを用いて中国全域で高解像度（0.1°）のPM2.5地図を生成した。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークモデルは、多様な地理的・時間的条件下で、衛星由来のAODと地上PM2.5の間の非線形的関係を効果的に捉えることができるか？
• RQ2 ニューラルネットワークアーキテクチャに空間的・時間的加重を組み込むことで、従来の線形モデルと比較してPM2.5推定精度がどの程度向上するか？
• RQ3 AOD-PM2.5関係の地理的・時間的変動が、大気質地図作成における機械学習モデルの性能に及ぼす影響の程度はどのようになるか？
• RQ4 GTWNNは、地上監視局のない地域においても信頼性の高い高解像度PM2.5地図を生成できるか？

主な発見

• GTWNNは、標本ベースの交差検証でR² = 0.80を達成し、研究領域全体で強力な予測性能を示した。
• サイトベースの交差検証でR² = 0.79を達成し、個々の監視局での精度が堅実であることを示した。
• GTWNNは、日次地理的加重回帰および地理的・時間的加重回帰モデルと比較して、顕著に高い予測精度を示した。
• モデルは中国全域で0.1°解像度のPM2.5地図を効果的に生成し、地上監視ネットワークの範囲を超えた空間的カバレッジを実現した。
• 地理的・時間的加重をニューラルネットワークに統合することで、局所的で非線形的なAOD-PM2.5関係を効果的に捉えることができた。
• 結果から、AOD-PM2.5関係における空間時間的不均一性が極めて重要であり、正確なPM2.5地図作成のためには明示的にモデル化する必要があることが確認された。