Inverse modelling of Chinese NO <sub> <i>x</i> </sub> emissions using deep learning: integrating in situ observations with a satellite-based chemical reanalysis
Notice bibliographique
Résumé
Nitrogen dioxide (NO 2 ) column density measurements from satellites have been widely used in constraining emissions of nitrogen oxides (NO x = NO + NO 2 ). However, the utility of these measurements is impacted by reduced observational coverage due to cloud cover and their reduced sensitivity toward the surface. Combining the information from satellites with surface observations of NO 2 will provide greater constraints on emission estimates of NO x . We have developed a deep-learning (DL) model to integrate satellite data and in situ observations of surface NO 2 to estimate NO x emissions in China. A priori information for the DL model was obtained from satellite-derived emissions from the Tropospheric Chemistry Reanalysis (TCR-2). A two-stage training strategy was used to integrate in situ measurements from the China Ministry of Ecology and Environment (MEE) observation network with the TCR-2 data. The DL model is trained from 2005 to 2018 and evaluated for 2019 and 2020. The DL model estimated a source of 19.4 Tg NO for total Chinese NO x emissions in 2019, which is consistent with the TCR-2 estimate of 18.5 ± 3.9 Tg NO and the 20.9 Tg NO suggested by the Multi-resolution Emission Inventory for China (MEIC). Combining the MEE data with TCR-2, the DL model suggested higher NO x emissions in some of the less-densely populated provinces, such as Shaanxi and Sichuan, where the MEE data indicated higher surface NO 2 concentrations than TCR-2. The DL model also suggested a faster recovery of NO x emissions than TCR-2 after the Chinese New Year (CNY) holiday in 2019, with a recovery time scale that is consistent with Baidu “Qianxi” mobility data. In 2020, the DL-based analysis estimated about a 30 % reduction in NO x emissions in eastern China during the COVID-19 lockdown period, relative to pre-lockdown levels. In particular, the maximum emission reductions were 42 % and 30 % for the Jing-Jin-Ji (JJJ) and the Yangtze River Delta (YRD) mega-regions, respectively. Our results illustrate the potential utility of the DL model as a complementary tool for conventional data-assimilation approaches for air quality applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».