[論文レビュー] Real-time and Seamless Monitoring of Ground-level PM2.5 Using Satellite Remote Sensing

Tongwen Li, Chengyue Zhang+3 more|arXiv (Cornell University)|Mar 9, 2018

Air Quality Monitoring and Forecasting被引用数 5

ひとこと要約

本研究では、1時間ごとの静止気象衛星Himawari-8観測データと深層学習モデル、および空間時間統合手法を統合することで、曇りによるデータ欠損を補填する、リアルタイムでシームレスな地表面PM2.5モニタリングフレームワークを提案する。PM2.5推定においてはR² = 0.80、RMSE = 17.49 μg/m³を達成し、回復されたデータは地上測定値とR² = 0.75の相関を示した。

ABSTRACT

Satellite remote sensing has been reported to be a promising approach for the monitoring of atmospheric PM2.5. However, the satellite-based monitoring of ground-level PM2.5 is still challenging. First, the previously used polar-orbiting satellite observations, which can be usually acquired only once per day, are hard to monitor PM2.5 in real time. Second, many data gaps exist in satellite-derived PM2.5 due to the cloud contamination. In this paper, the hourly geostationary satellite (i.e., Himawari-8) observations were adopted for the real-time monitoring of PM2.5 in a deep learning architecture. On this basis, the satellite-derived PM2.5 in conjunction with ground PM2.5 measurements are incorporated into a spatio-temporal fusion model to fill the data gaps. Using Wuhan Urban Agglomeration as an example, we have successfully derived the real-time and seamless PM2.5 distributions. The results demonstrate that Himawari-8 satellite-based deep learning model achieves a satisfactory performance (out-of-sample cross-validation R2=0.80, RMSE=17.49 ug/m3) for the estimation of PM2.5. The missing data in satellite-derive PM2.5 are accurately recovered, with R2 between recoveries and ground measurements of 0.75. Overall, this study has inherently provided an effective strategy for the real-time and seamless monitoring of ground-level PM2.5.

研究の動機と目的

• 1日1回のPM2.5観測しか提供しない極軌道衛星の制限を解消し、リアルタイムモニタリングを可能にする。
• 曇りによる汚染が原因で生じる衛星由来PM2.5の継続的データ欠損を克服する。
• 静止気象衛星データと地上測定値を統合することで、地表面PM2.5のシームレスかつリアルタイムのモニタリングシステムを構築する。
• 武漢を事例として、都市部の大気質評価に向けた高時間分解能PM2.5マッピングを可能にする。

提案手法

• Himawari-8から得られる1時間ごとの静止気象衛星観測データを活用し、高時間分解能の大気エアロゾルデータを捉える。
• Himawari-8データでトレーニングされた深層学習モデルを用いて、リアルタイムで地表面PM2.5を推定する。
• 衛星由来PM2.5と地上のイン・サイト測定値を統合する空間時間統合モデルを適用し、欠落したデータを回復する。
• 衛星データと地上データの時間的・空間的相関を活用して、データの完全性と正確性を向上させる。
• アウト・オブ・サンプル交差検証を用いてモデルを検証し、回復されたPM2.5値と地上測定値を比較する。
• データ回復における誤差を最小限に抑えつつ、空間的・時間的パターンを保持するように統合モデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 1時間ごとの静止気象衛星データは、高い精度で地表面PM2.5をリアルタイム推定可能か？
• RQ2 Himawari-8データでトレーニングされた深層学習モデルは、PM2.5濃度をどの程度正確に予測可能か？
• RQ3 空間時間統合モデルは、衛星観測における曇りによるPM2.5データ欠損をどの程度効果的に回復できるか？
• RQ4 統合フレームワークは、都市部においてシームレスで連続的なPM2.5マップをどの程度の性能で生成できるか？
• RQ5 衛星データのみの予測と統合された衛星・地上データの結果との間で、モデルの精度にどのような差があるか？

主な発見

• Himawari-8データに基づく深層学習モデルは、PM2.5推定においてアウト・オブ・サンプル交差検証でR² = 0.80、RMSE = 17.49 μg/m³を達成した。
• 空間時間統合モデルは、欠落した衛星由来PM2.5データを効果的に回復し、回復値と地上測定値の間で相関係数（R²）が0.75に達した。
• 静止気象衛星データと地上測定値の統合により、1日1回の極軌道衛星過飛行の制限を克服し、リアルタイムでシームレスなPM2.5モニタリングが可能になった。
• フレームワークは、武漢都市圏におけるPM2.5の空間的・時間的変動を強く捉えることができた。
• 結果から、高時間分解能の衛星データは、継続的空気質モニタリングの実現可能性を顕著に向上させることを確認した。
• 提案手法は、都市環境における運用的リアルタイムPM2.5モニタリングのための強固でスケーラブルな戦略を提供する。