Advancing operational PM2.5 forecasting with dual deep neural networks (D-DNet)

要約

PM2.5 の予測は、公衆衛生、大気質管理、政策開発にとって非常に重要です。
従来の物理ベースのモデルは計算量が多く、リアルタイムの条件に適応するのが遅くなります。
深層学習モデルは効率性において潜在的な可能性を示していますが、依然としてエラーの蓄積による時間の経過による精度の低下に悩まされています。
これらの課題に対処するために、リアルタイムの観測を効率的に統合し、信頼性の高い運用予測を保証するデュアル ディープ ニューラル ネットワーク (D-DNet) 予測およびデータ同化システムを提案します。
D-DNet は、PM2.5 と AOD550 の世界規模の運用予測に優れており、2019 年を通じて一貫した精度を維持しています。同程度の精度を維持しながら、Copernicus Atmosphere Monitoring Service (CAMS) 4D-Var 運用予測システムよりも著しく高い効率を示しています。
この効率性は、アンサンブル予測、不確実性分析、および大規模なタスクにメリットをもたらします。

要約(オリジナル)

PM2.5 forecasting is crucial for public health, air quality management, and policy development. Traditional physics-based models are computationally demanding and slow to adapt to real-time conditions. Deep learning models show potential in efficiency but still suffer from accuracy loss over time due to error accumulation. To address these challenges, we propose a dual deep neural network (D-DNet) prediction and data assimilation system that efficiently integrates real-time observations, ensuring reliable operational forecasting. D-DNet excels in global operational forecasting for PM2.5 and AOD550, maintaining consistent accuracy throughout the entire year of 2019. It demonstrates notably higher efficiency than the Copernicus Atmosphere Monitoring Service (CAMS) 4D-Var operational forecasting system while maintaining comparable accuracy. This efficiency benefits ensemble forecasting, uncertainty analysis, and large-scale tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google