| 耦合注意力机制DNN的PM2.5估算及时空特征分析 |
| |
| 引用本文： | 陈镔捷,叶扬,林溢,游诗雪,邓劲松,杨武,王珂.耦合注意力机制DNN的PM2.5估算及时空特征分析[J].遥感学报,2022,26(5):1027-1038. |
| |
| 作者姓名： | 陈镔捷 叶扬 林溢 游诗雪 邓劲松 杨武 王珂 |
| |
| 作者单位： | 1.浙江大学 环境与资源学院, 杭州 310058;2.浙江工业大学 环境学院, 杭州 310014;3.浙江生态文明研究院, 安吉 313300;4.浙江大学 智慧生态与绿色发展研发中心, 杭州 310058 |
| |
| 基金项目： | 国家重点研发计划（编号：2020YFC1807500），浙江省重点研发计划（编号：2022C03078） |
| |
| 摘 要： | PM2.5作为指示环境质量的重要因子之一，不仅影响着灰霾天气的发生，还与公众健康息息相关，近年来受到广泛的关注。尽管PM2.5地面观测站点在不断地扩张，其覆盖范围依旧有限，难以反映全域PM2.5浓度的时空异质性。本研究运用卫星遥感气溶胶光学厚度数据，辅助因子除常规的气象因子等以外，还加入了针对中国人民生产生活习惯的农历日因子，提出一种耦合注意力机制的深度神经网络模型，对长三角区域2015年—2020年PM2.5浓度进行了逐日的高精度估算。模型交叉验证结果显示决定系数R2高达0.85，斜率0.86，与地面站点观测值有较高的一致性，优于多元线性回归和随机森林模型。长三角区域PM2.5浓度时空特征分析结果表明，PM2.5浓度在空间上呈现北高南低的趋势；季节特征以冬季浓度最高，夏季浓度最低，春秋过渡。此外，长三角区域2015年—2020年整体PM2.5浓度呈下降趋势，其中以上海市最为明显，下降速率为3.30 μg/（m3·a），其次为江苏省（2.65 μg/（m3·a））；浙江省与安徽省下降速率都小于2 μg/（m3·a），但由于安徽省PM2.5浓度远高于浙江省，提升空间更大，需要更多的关注。综上所述，利用卫星数据结合本研究提出的方法能弥补地面观测站点的不足，获得高精度全域PM2.5浓度时空分布特征，从而更科学地指导相关政策的规划与落地。
|
| 关 键 词： | 遥感 气溶胶光学厚度（AOD） 深度学习 注意力机制 长三角区域 空气质量 |
| 收稿时间： | 2021/5/30 0:00:00 |
Spatiotemporal estimation of PM2.5 using attention-based deep neural network |
| |
| CHEN Binjie,YE Yang,LIN Yi,YOU Shixue,DENG Jinsong,YANG Wu,WANG Ke.Spatiotemporal estimation of PM2.5 using attention-based deep neural network[J].Journal of Remote Sensing,2022,26(5):1027-1038. |
| |
| Authors: | CHEN Binjie YE Yang LIN Yi YOU Shixue DENG Jinsong YANG Wu WANG Ke |
| |
| Institution: | 1.College of Environment and Resource Sciences, Zhejiang University, Hangzhou 310058, China;2.College of Environment, Zhejiang University of Technology, Hangzhou 310014, China;3.Zhejiang Ecological Civilization Academy, Anji 313300, China;4.Center for Intelligent Ecology and Sustainability, Zhejiang University, Hangzhou 310058, China |
| |
| Abstract: | |
| |
| Keywords: | remote sensing Aerosol Optical Depth (AOD) deep learning attention module the Yangtze River Delta air quality |
|
| 点击此处可从《遥感学报》浏览原始摘要信息 |
| 点击此处可从《遥感学报》下载免费的PDF全文 |
|
