[논문 리뷰] Geographically and temporally weighted neural networks for satellite-based mapping of ground-level PM2.5

Tongwen Li, Huanfeng Shen외 2명|arXiv (Cornell University)|2018. 09. 26.

Air Quality and Health Impacts참고 문헌 42인용 수 3

한 줄 요약

이 연구는 기상 요소, NDVI 및 지상 측정치와의 비선형 및 공간시계적 변동 관계를 포착함으로써 위성 기반 지상 미세먼지(PM2.5) 지ap을 향상시키기 위해 지리적 및 시간적 가중치를 적용한 신경망(GTWNN)을 제안한다. GTWNN은 표본 기반 R² 값 0.80과 현장 기반 R² 값 0.79를 기록하여 기존 선형 공간시계적 모델을 능가했으며, 중국 전역에서 0.1° 해상도의 고해상도 PM2.5 지도 제작을 가능하게 했다.

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.

연구 동기 및 목표

• 위성 기반 AOD와 지상 미세먼지(PM2.5) 간의 복잡한 비선형 관계를 포착하지 못하는 선형 공간시계적 모델의 한계를 해결하기 위해.
• 기하공간적 및 시간적 이질성을 기계학습 프레임워크에 통합함으로써 지상 미세먼지(PM2.5) 추정 정확도를 향상시키기 위해.
• 지리적 가중치와 신경망을 융합한 하이브리드 모델을 개발하여 대기오염의 공간시계적 예측 성능을 향상시키기 위해.
• 지상 측정소가 없는 지역에서도 위성 및 지상 데이터를 활용하여 중국 전역에서 고해상도(0.1°) PM2.5 지도를 생성하기 위해.

제안 방법

• GTWNN은 전방향 신경망에 지리적 및 시간적 가중치 회귀 원리를 통합하여 국소적 비선형 AOD-PM2.5 관계를 모델링하기 위해 개발되었다.
• 입력 특징으로는 중국 전역에서 유도된 위성 기반 AOD, NDVI, 기상 변수(예: 온도, 상대 습도, 풍속)가 포함되었다.
• 공간 및 시간 가중치 커널을 적용하여 위치와 시간에 따라 모델 파라미터를 동적으로 조정함으로써 신경망의 국소 적응성을 가능하게 하였다.
• 지상 기반 PM2.5 측정치를 사용하여 모델을 훈련하였으며, 공간 및 시간 대역폭은 교차검증을 통해 최적화되었다.
• 모델 성능 평가를 위해 표본 기반 및 현장 기반 교차검증이라는 이중 단계 검증 절차를 사용하였다.
• 지상 측정소가 없는 지역을 대상으로 훈련된 GTWNN 모델을 활용하여 중국 전역에서 고해상도(0.1°) PM2.5 지도를 생성하였다.

실험 결과

연구 질문

• RQ1 신경망 모델은 다양한 지리적 및 시간적 조건에서 위성 기반 AOD와 지상 미세먼지(PM2.5) 간의 비선형 관계를 효과적으로 포착할 수 있는가?
• RQ2 신경망 아키텍처에 공간적 및 시간적 가중치를 통합할 경우, 기존 선형 모델 대비 PM2.5 추정 정확도는 얼마나 향상되는가?
• RQ3 AOD-PM2.5 관계의 기하공간적 및 시간적 변동성이 기계학습 모델의 대기오염 지도 성능에 어느 정도 영향을 미치는가?
• RQ4 GTWNN은 지상 측정소가 없는 지역에서도 신뢰할 수 있는 고해상도 PM2.5 지도를 생성할 수 있는가?

주요 결과

• GTWNN은 표본 기반 교차검증에서 R² 값 0.80을 기록하여 연구 영역 전반에서 뛰어난 예측 성능을 보였다.
• 현장 기반 교차검증에서 R² 값은 0.79에 도달하여 개별 측정소에서의 정확도가 뛰어나다는 것을 입증했다.
• GTWNN은 예측 정확도에서 일일 지리적 가중치 회귀 모델과 지리적 및 시간적 가중치 회귀 모델을 모두 뛰어넘었다.
• 모델은 중국 전역에서 0.1° 해상도의 PM2.5 지도를 성공적으로 생성하여 지상 측정망의 공간 커버리지 이외 영역까지 확장했다.
• 지리적 및 시간적 가중치를 신경망에 통합함으로써 국소적 비선형 AOD-PM2.5 관계를 효과적으로 포착하였다.
• 결과적으로 AOD-PM2.5 관계의 공간시계적 이질성이 매우 중요하며, 정확한 PM2.5 지도 제작을 위해서는 이를 명시적으로 모델링해야 한다는 점을 확인했다.