[论文解读] Predicting Global Variations in Outdoor PM2.5 Concentrations using Satellite Images and Deep Convolutional Neural Networks

Kris Y. Hong, Pedro O. Pinheiro+1 more|arXiv (Cornell University)|Jun 1, 2019

Air Quality Monitoring and Forecasting参考文献 22被引用 6

一句话总结

本研究提出 IMAGE-PM2.5，一种仅使用卫星图像和地面测量数据的深度学习模型，用于预测全球长期室外PM2.5浓度。该基于Xception的模型在包含20,000个监测站点的全球数据集上进行训练，实现了13.01 µg/m³的均方根误差（RMSE，R² = 0.75），性能与最先进的贝叶斯模型相当，同时仅需卫星图像作为输入，可在数据匮乏地区实现成本效益高的暴露估计。

ABSTRACT

Here we present a new method of estimating global variations in outdoor PM$_{2.5}$ concentrations using satellite images combined with ground-level measurements and deep convolutional neural networks. Specifically, new deep learning models were trained over the global PM$_{2.5}$ concentration range ($

研究动机与目标

• 开发一种快速、低成本的方法，仅使用卫星图像和地面测量数据来估算全球长期平均PM2.5浓度。
• 评估深度卷积神经网络在预测全球多样化环境中PM2.5浓度方面的表现，特别是在缺乏地面监测数据的地区。
• 评估基于卫星图像的深度学习模型是否能达到与全球疾病负担研究中使用的复杂多源模型相当的预测精度。
• 探索利用深度学习分析卫星图像估算PM2.5空间变化的可行性，特别是在浓度梯度较窄的区域（如北美）。
• 确定深度学习模型是否可作为分层暴露建模框架中的独立或补充工具。

提出的方法

• 从世界卫生组织（WHO）数据中收集了来自98个国家（2000–2017年）的20,000个地面PM2.5测量值，构建全球数据库，并与谷歌静态地图的卫星图像配对。
• 在每个监测站点中心，以四个缩放级别（13–16）获取卫星图像，图像分辨率固定为256×256×3像素，所有图像均拍摄于2018年9月至12月之间。
• 评估了多种预训练卷积神经网络架构（InceptionV3、Xception、VGG16）作为特征提取器的性能，最终选定Xception作为最优基础模型。
• 基于Xception架构训练最终的全球模型IMAGE-PM2.5，仅使用卫星图像预测PM2.5浓度，并在独立测试集上评估其性能。
• 使用均方根误差（RMSE）和决定系数（R²）评估模型性能，并进一步将预测结果与全球疾病负担研究中使用的DIMAQ模型进行比较分析。
• 针对北美地区，使用GEOS-Chem模型生成的高分辨率（0.01°）PM2.5模拟估计值，结合缩放级别为13–15的卫星图像，训练了独立模型，以评估在狭窄浓度范围内的性能表现。

实验结果

研究问题

• RQ1 仅使用卫星图像训练的深度卷积神经网络能否以与复杂多源模型相当的性能预测全球长期平均PM2.5浓度的变化？
• RQ2 模型性能在不同全球区域的表现如何，特别是在地面监测数据有限的地区？
• RQ3 哪种预训练卷积神经网络架构（如Xception、InceptionV3、VGG16）在基于卫星图像的PM2.5估计中表现最佳？
• RQ4 图像特征（如缩放级别、色彩模式和几何特征）在多大程度上影响PM2.5浓度的模型预测？
• RQ5 基于卫星图像的深度学习模型能否在分层贝叶斯模型中作为可靠先验或补充输入用于暴露评估？

主要发现

• Xception架构在性能上优于InceptionV3和VGG16，成为最终IMAGE-PM2.5模型的基础。
• 全球IMAGE-PM2.5模型在独立测试集上实现了13.01 µg/m³的均方根误差（RMSE）和0.75的R²，表现出在全球PM2.5浓度范围（1–436 µg/m³）内的强大预测能力。
• 模型预测与全球疾病负担研究中使用的DIMAQ模型高度相关，斜率接近1，表明在全球估计上具有高度一致性。
• IMAGE-PM2.5与DIMAQ之间的差异在PM2.5数据源自PM10测量值的区域最大，可能是因为这些数据未包含在IMAGE-PM2.5的训练集中。
• 北美地区的模型表明，深度学习能够有效估算在狭窄浓度梯度下的PM2.5空间变化，表明其在暴露变异性较低的地区也具有适用性。
• 模型可解释性分析显示，预测基于局部图像特征，包括色彩模式以及边缘与线条的组合，但无法明确识别特定的建成环境特征。