[论文解读] DeepPlume: Very High Resolution Real-Time Air Quality Mapping

Grégoire Jauvion, Thibaut Cassard+2 more|arXiv (Cornell University)|Feb 14, 2020

Air Quality Monitoring and Forecasting参考文献 20被引用 5

一句话总结

DeepPlume 提出了一种基于深度学习的空气质量预测引擎，可在大范围地理区域内实现数十米分辨率的 NO₂、O₃、PM₂.₅ 和 PM₁₀ 的实时高分辨率制图。该方法结合官方监测数据、大气模型预报和地理空间特征，采用迁移学习策略以克服数据稀疏性问题，从而支持创新应用，如街道级空气质量制图和污染感知路径规划。

ABSTRACT

This paper presents an engine able to predict jointly the real-time concentration of the main pollutants harming people's health: nitrogen dioxyde (NO2), ozone (O3) and particulate matter (PM2.5 and PM10, which are respectively the particles whose size are below 2.5 um and 10 um). The engine covers a large part of the world and is fed with real-time official stations measures, atmospheric models' forecasts, land cover data, road networks and traffic estimates to produce predictions with a very high resolution in the range of a few dozens of meters. This resolution makes the engine adapted to very innovative applications like street-level air quality mapping or air quality adjusted routing. Plume Labs has deployed a similar prediction engine to build several products aiming at providing air quality data to individuals and businesses. For the sake of clarity and reproducibility, the engine presented here has been built specifically for this paper and differs quite significantly from the one used in Plume Labs' products. A major difference is in the data sources feeding the engine: in particular, this prediction engine does not include mobile sensors measurements.

研究动机与目标

• 解决城市和农村环境中高分辨率、实时空气质量数据严重缺乏的关键问题。
• 通过在地理上不同的区域之间应用迁移学习，克服监测站数量有限区域的数据稀疏性问题。
• 实现在适合街道级应用的分辨率下，准确、细粒度的空气质量预测。
• 开发一种可扩展的框架，利用多样化数据源实现跨大陆的大规模空气质量制图。
• 支持创新应用，如污染调整路径规划和实时城市空气质量可视化。

提出的方法

• 在涵盖官方空气质量测量数据、大气模型输出和地理空间特征的综合数据集上训练一个全球深度神经网络模型。
• 通过预训练全局模型并针对每个区域微调最终预测层，应用迁移学习以适应本地污染模式。
• 使用各向同性指数核函数构建空间特征，以建模监测站和城市基础设施之间污染物的空间相关性。
• 整合关键输入特征，包括交通流量、道路网络密度、土地覆盖（例如绿地）和气象数据。
• 采用多输出回归头，同时预测 NO₂、O₃、PM₂.₅ 和 PM₁₀ 的浓度。
• 预先计算固定的核函数，以保持计算效率，并实现在大区域上数十米分辨率的高分辨率预测。

实验结果

研究问题

• RQ1 深度学习模型是否能在监测数据稀疏的多样化全球区域中，实现数十米分辨率的实时空气质量预测？
• RQ2 迁移学习在提升地面实测数据有限区域的预测精度方面有多有效？
• RQ3 空间聚合特征（如交通量、道路密度、绿地）在多大程度上提升了模型捕捉局部污染变异性的能力？
• RQ4 此类模型是否能够支持新型应用，如街道级空气质量制图和污染感知路径规划？
• RQ5 在空间特征工程中使用固定核函数时，分辨率、计算效率与模型泛化能力之间的权衡如何？

主要发现

• 模型实现了极高的空间分辨率，预测精度达到几十米，从而支持详细的街道级空气质量制图。
• 迁移学习显著提升了数据稀缺区域的性能，通过利用全局模式并适应本地条件。
• 交通和道路网络特征与 NO₂、PM₂.₅ 和 PM₁₀ 呈现出强烈且符合预期的相关性，而绿地特征则与 NO₂ 减少和 O₃ 增加相关。
• 该模型在多样化城市和农村环境中，对四种关键污染物（NO₂、O₃、PM₂.₅、PM₁₀）均实现了高空间保真度的预测。
• 该框架支持实际应用，例如空气质量调整路径规划：在巴黎，一条替代路径虽长 11%，但污染程度低 32%。
• 预先计算的各向同性核函数使大规模高分辨率预测成为可能，在分辨率和效率方面优于依赖可学习核函数的方法。