机译:通过融合卫星和站观测估算地面PM 2.5 sub> 2.5:地质智能深度学习方法
熔断卫星观测和站的测量来估计地平面PM <子> 2.5 子>是有希望用于监测PM <子> 2.5 子>污染。地理智能的方法,其包含的地域相关成智能深学习结构,被显影来估计PM <子> 2.5 子>。具体而言,它认为地理距离和时空相关PM <子> 2.5 子>在一个很深的信念网络(表示为的GeOI-DBN)。的GeOI-DBN可以捕捉与PM <子> 2.5 子>从潜因素相关联的必要的特征。它进行训练,并且在2015年来自中国的数据测试结果表明的GeOI-DBN执行显著优于传统的神经网络。该外的样品交叉验证<音响> - [R FI> 2 SUP>从0.42至0.88的增加,并且RMSE从29.96降低至13.03? <跨越式= “数学”>微克/米 3 SUP> 跨度>。在衍生PM 的基础上2.5 sub>分布,据预测,超过80%的中国人口居住的地区,年平均PM 2.5 sub>的大于35的? <跨越式= “数学”>微克/米 3 SUP> 跨度>。这项研究提供了空气污染的大地理区域监视一个新的视角。 p> abstract>
School of Resource and Environmental SciencesWuhan UniversityWuhan China;
School of Resource and Environmental SciencesWuhan UniversityWuhan China;
The Collaborative Innovation Center for Geospatial TechnologyWuhan China;
School of Resource and Environmental SciencesWuhan UniversityWuhan China;
The Collaborative Innovation Center for Geospatial TechnologyWuhan China;
PM 2.5; deep learning; geo‐intelligent; satellite remote sensing;
机译:通过融合卫星和站观测估算地面PM 2.5 sub> 2.5:地质智能深度学习方法
机译:融合方法将地面级观测与化学传输模型预测结合使用集合深层学习框架:在中国应用在2014 - 2017年估算时空分解的PM_(2.5)曝光场
机译:2017年中国多个时间秤的卫星,辅助和地面站数据集通过随机森林方法估算PM_(2.5)浓度
机译:2000-2016年中国PM2.5浓度的时空连续估计:一种基于卫星,化学传输模型和地面观测输入的机器学习方法
机译:地面观测和神经网络技术在卫星气溶胶光学深度产品PM2.5估算中的应用。
机译:通过包含NO2和增强植被指数(EVI)改进了使用基于卫星的地理加权回归(GWR)模型在中国进行的地面PM2.5估算
机译:通过融合卫星和电台估算地面pm2.5 观察:一种地理智能深度学习方法
机译:使用maIaC aOD检索和两阶段模型估算美国东南部的地面pm(低2.5)浓度。