Difference Learning for Air Quality Forecasting Transport Emulation

要約

空気の質が悪いと、呼吸器疾患や心血管疾患のリスクが高まるなど、人間の健康に悪影響が生じます。
最近、世界的にも米国の局所的にも極端な大気質イベントが増加しているため、これらのイベントに効果的に適応するには、より高解像度の大気質予測ガイダンスが必要です。
米国海洋大気局は、米国本土の大気質予測ガイダンスを提供しています。
彼らの大気質予測モデルは 15 km の空間解像度に基づいています。
ただし、目標は 3 km の空間解像度に達することです。
これは、化学種の輸送をモデル化するための法外な計算要件のせいで、現時点では実現不可能です。
この研究では、既存の数値モデルと同等のスキルを維持しながら計算を削減できる深層学習トランスポート エミュレーターについて説明します。
私たちは、この方法が極端な大気質イベントの存在下でどのようにスキルを維持し、運用上の潜在的な候補となるかを示します。
また、このモデルが特定の種のセットのモデル化された輸送の物理的特性をどの程度維持しているかを評価することも検討します。

要約(オリジナル)

Human health is negatively impacted by poor air quality including increased risk for respiratory and cardiovascular disease. Due to a recent increase in extreme air quality events, both globally and locally in the United States, finer resolution air quality forecasting guidance is needed to effectively adapt to these events. The National Oceanic and Atmospheric Administration provides air quality forecasting guidance for the Continental United States. Their air quality forecasting model is based on a 15 km spatial resolution; however, the goal is to reach a three km spatial resolution. This is currently not feasible due in part to prohibitive computational requirements for modeling the transport of chemical species. In this work, we describe a deep learning transport emulator that is able to reduce computations while maintaining skill comparable with the existing numerical model. We show how this method maintains skill in the presence of extreme air quality events, making it a potential candidate for operational use. We also explore evaluating how well this model maintains the physical properties of the modeled transport for a given set of species.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google